Capitulo 7 PDF

7
CONTROLARCARTASPARAVARIABLES
7-1 Introducción y Objetivos del capítulo 7-2 Selección de características para la
investigación 7-3 Preliminar 7-4 decisiones Los gráficos de control para la media y el rango de 7-5 Los
gráficos de control para la media y la desviación estándar de 7-6 Los gráficos de control para las
unidades individuales 7-7 Los gráficos de control para la producción de tiradas cortas 7-8 Otros
gráficos de control 7-9 gráficos de control de riesgo ajustada 7-10 los gráficos de control
multivariantes
Resumen
símbolos
μ Proceso (o población) significa k yo valor normalizado para la gama de número de la muestra yo
σ Proceso (o población) estándar σ0 Target o valor estándar de proceso

desviación desviación estándar
^
σ Estimación de proceso desviación estándar σX desviación estándar de la media de la muestra
X promedio de la muestra
R rango de la muestra S metro suma acumulada en el número de muestras metro
s desviación estándar de la muestra w Span, o anchura, en el cálculo de media móvil
norte Muestra o subgrupo tamaño

X yo yo ésima observación X La media de medias de la muestra
W rango relativo R Media de rangos de muestras
sol Número de muestras o subgrupos sol t media móvil geométrica en el momento t

X0 Target o el valor estándar de la media proceso METRO t Aritmética media móvil en el momento t T 2
Hotelling ' s T 2 estadística multivariante
Z yo Valor normalizado de la media de la muestra MR Moving número de serie ip norte
Predijo el riesgo de mortalidad antes de la operación de W norte función de peso ajustada al riesgo para
paciente norte paciente norte
fundamentos de Calidad Controlar y Mejora, Cuarta edición. Amitava Mitra

• 2016 John Wiley & Sons, Inc. Publicado 2016 por John Wiley & Sons, Inc. Companion sitio web: www.wiley.com
\ ir \ mitra \ QualityControl4e
299
300 Cartas de control para VARIABLES
7-1 INTRODUCCIÓN Y OBJETIVOS DEL CAPÍTULO
En el capítulo 6 introdujimos los fundamentos de los gráficos de control. En este capítulo nos fijamos en los detalles de los gráficos
de control para variables - características de calidad que se pueden medir en una escala numérica. Ejemplos de las variables incluir
la longitud, grosor, diámetro, resistencia a la rotura, la temperatura, la acidez, la viscosidad, el tiempo de procesamiento de pedidos,
el tiempo ToMarket un newproduct, y tiempo de espera para el servicio. Debemos ser capaces de controlar el valor medio de una
característica de calidad aswell como su variabilidad. los media da una indicación de la tendencia central de un proceso, y la variabilidad
proporciona una idea de la dispersión proceso. Por lo tanto, necesitamos información sobre estas dos estadísticas para mantener un
proceso de control.
Dejar ' s consideran la Figura 7-1. Un cambio en el media proceso de una característica de calidad (por ejemplo, la longitud de
una parte) se muestra en la figura 7-1a, donde el cambios negativos desde μ 0 a μ 1. Es, por supuesto, es importante que este cambio
puede detectar porque si el especí fi límites de cationes son como se muestra en la figura 7-1a, un cambio en la media proceso sería
cambiar la proporción de piezas que no cumplen con especí fi cationes. Figura 7-1b muestra un cambio en la dispersión del proceso;
la standarddeviation proceso ha cambiado desde σ 0 a σ 1, con la estacionaria restante processmean en
μ 0. Tenga en cuenta que la proporción de la producción que no cumpla con especi fi cationes se ha incrementado. Los gráficos de control ayuda en la
detección de tales cambios en los parámetros del proceso.
Variables proporcionan más información que los atributos. atributos tratar la información cualitativa como por ejemplo
si un artículo es conforme o lo que el número de mities nonconfor en un artículo es. De este modo, los atributos no
muestran el grado en que una característica de calidad
FIGURA 7-1 Los cambios en la media y la dispersión de un proceso.

SELECCIÓN DE LAS CARACTERÍSTICAS DE LA INVESTIGACIÓN 301
es conforme. Por ejemplo, si la especificación fi cationes en la longitud de una parte son 40 ± 0,5 mm y una parte tiene una
longitud 40.6mm, información de atributos que indicaría que no conforme tanto esta parte y una parte de la longitud de 42 mm.
El grado towhich estas dos longitudes se desvían de la especificidad fi cationes se pierde en la información de atributos. Esto no
es así con variables, sin embargo, debido a que el valor numérico de la cualidad característica (longitud, en este caso) se utiliza
en la creación de la tabla de control.
El costo de la obtención de datos variable es por lo general mayor que la de atributos porque los datos de atributos se
recogen por medios tales como ir / no ir galgas, que son más fáciles de usar y por lo tanto menos costoso. El coste total de la
recogida de datos es el sumof dos componentes: la fi costo fijo y el costo unitario variable. Los costos fijos incluyen el costo de
los equipos de inspección; variableunit costos incluyen el costo de inspectingunits. Themoreunits inspeccionados, thehigher el
costo variable, mientras que el fi costos fijos no se ve afectada. A medida que el uso de dispositivos automatizados para medir
la calidad de los valores característicos se extiende, la diferencia en el costo unitario variable entre variables y atributos no
puede ser mucho. sin embargo, el fi jos costos, como los costos de inversión, pueden aumentar.
En aplicaciones de cuidado de la salud, la gravedad de la enfermedad de los pacientes y en consecuencia la tasa de mortalidad operatoria
previa para los pacientes quirúrgicos, por ejemplo, en una unidad de cuidados intensivos puede variar de paciente a paciente. los gráficos de control
ajustados al riesgo se introducen en este concepto. Algunos de los gráficos discutidos son la tabla de riesgo ajustados en función de la suma
acumulativa, la prueba de razón de probabilidad secuencial ajustada al riesgo, el gráfico exponentiallyweightedmoving de la media ajustada al riesgo,
y el diagrama de la pantalla la vida ajustados en función de la variable.
7-2 SELECCIÓN DE LAS CARACTERÍSTICAS DE LA INVESTIGACIÓN
En organizaciones pequeñas, así como en las grandes, existen muchas características posibles de productos y procesos de calidad.
De un solo componente por lo general tiene varias características de calidad, tales como longitud, anchura, altura, superficie fi acabado,
y elasticidad. De hecho, el número de características de calidad que afectan a un producto es usuallyquite número sucha
large.Nowmultiply byeven un pequeño número de productos y el número total de características aumenta rápidamente a valor
anunmanageable. Normalmente no es factible mantener un gráfico de control para cada variable posible.
Equilibrio de viabilidad e integridad de la información es una tarea permanente. Lograrlo consiste en seleccionar unas pocas
características de calidad fundamental de los muchos candidatos. Seleccionar las características de calidad para mantener los
gráficos de control sobre requiere dar mayor prioridad a los que causan más elementos no conformes y que los costos aumentan.
El objetivo es seleccionar el
“ pocos vitales ” fromamong la “ trivialmany. ” Aquí es donde Paretoanalysis viene inbecause que Clari fi es la “ importante ” características
de calidad.
Cuando no conformidades se producen debido a diferentes defectos, la frecuencia de cada defecto puede ser contados. Tabla 7-1
muestra los análisis de Pareto para los varios defectos en un ensamblaje. Alterna tivamente, el costo de producción de la no
conformidad podría ser recogido. Tabla 7-1 muestra que los tres defectos más importantes son el diámetro interior del cubo, la longitud
del cubo, y la profundidad de ranura.
Usando los porcentajes dados en la Tabla 7-1, podemos construir un diagrama de Pareto como la que se muestra en la Figura
7-2. Los defectos son por lo tanto muestran en un orden no creciente de ocurrencia. Desde el fi gurewecan ver que los recursos
ifwehaveonlyenough toconstruct tres variablecharts, elegiremos diámetro interior de cubo (código 4), longitud del cubo (código 3), y la
profundidad de ranura (código 7).
Una vez que las características de calidad para los que controlan los gráficos deben ser mantenidos han sido identificados fi ed, un
esquema para la obtención de los datos debe ser configurado. Muy a menudo, es deseable para medir las características del proceso
que tienen una relación causal con la calidad del producto

TABLA 7-1 Análisis de Pareto de los defectos de Datos Asamblea
Código defecto Defecto Frecuencia Porcentaje
1 Diámetro exterior del cubo 30 8.82

2 La profundidad del chavetero 20 5.88
3 longitud de cubo 60 17.65
4 diámetro del cubo interior 90 26.47
5 Anchura del chavetero 30 8.82
6 espesor de Florida ange 40 11.77
7 Profundidad de la ranura 50 14.71
8 Dureza (medido por Brinell 20 5.88
número de dureza)
FIGURA 7-2 diagrama de Pareto para los datos de montaje.
características. las características del proceso son typicallycontrolleddirectly throughcontrol gráficos. En el ejemplo de montaje de la Tabla
7-1, podemos decidir para controlar las variables del proceso (velocidad de corte, depthof corte, y la temperatura del refrigerante) que
tienen un impacto onhubdiameter, longitud del cubo, y la profundidad de ranura. variables de proceso de seguimiento a través de gráficos
de control controla implícitamente características del producto.
7-3 decisiones preliminares
Ciertas decisiones deben bemade antes de que podamos construir los gráficos de control. Varias de ellas se analizan en detalle en el
capítulo 6.
Selección de muestras racionales
La manera en la que nos muestra el proceso merece nuestra atención cuidadosa. El método de muestreo debe maximizar las diferencias
entre las muestras y reducir al mínimo las diferencias dentro de las muestras. Esto significa que los gráficos de control separadas
pueden tener que ser guardado para diferentes operadores, máquinas, o proveedores.
muestras de lotes fromwhich son elegidos debe ser homogénea. Asmentioned inChapter 6, si nuestro objetivo es determinar los
cambios en los parámetros del proceso, las muestras debe estar compuesta de artículos producidos en casi el mismo tiempo. Esto
nos da una referencia de tiempo andwill ser útiles ifwe
Listas de control para la media y el rango 303
Deberá determinar las causas especiales. Alternativamente, si estamos interesados en la no conformidad de los artículos producidos desde los
samplewas anteriores seleccionados, las muestras deben ser elegidos entre los artículos producidos desde entonces.
Tamaño de la muestra
Los tamaños de muestra arenormallybetween4and10, y es bastante común en la industria tohave muestra tamaños de 4 o 5. Cuanto mayor sea el
tamaño de la muestra, mayor será la probabilidad de detectar pequeños cambios. Otros factores, como el coste de la inspección o el costo de
envío de un elemento no conforme con el cliente, también en Florida influir en la elección del tamaño de la muestra.
Frecuencia de muestreo
La frecuencia de muestreo depende del coste de la obtención de información en comparación con el coste de no detección de un
elemento no conforme. Como los procesos se ponen en control, es probable que disminuya la frecuencia de muestreo.
Elección de los instrumentos de medición
La precisión de themeasuring instrumento directamente en Florida uye en la calidad de los datos recogidos. Los
instrumentos de medición deben ser calibrados y se ensayaron para la fiabilidad bajo condiciones controladas. los datos de
baja calidad llevan a conclusiones erróneas. El carácter que se esté controlada y el grado deseado de precisión de la
medición tanto tienen un impacto en la elección de un instrumento de medición. En dimensiones de medición tales como la
longitud, la altura, o espesor, algo tan simple como un conjunto de pinzas o un micrómetro puede ser aceptable. Por otra
parte, la medición del espesor de las obleas de silicio puede requerir equipo sensorial óptica compleja.
Diseño de formularios de registro de datos
Grabación de formas shouldbedesigned inaccordancewith el gráfico de control tobeused. Las características comunes de los
formularios de registro de datos incluyen el número de muestra, la fecha y hora en que se seleccionó la muestra, y los valores
brutos de las observaciones. Una columna de comentarios sobre el proceso también es útil.
7-4 cartas de control para la media y la GAMA
Desarrollo de las listas
Paso 1: El uso de un esquema de pre-seleccionado de muestreo y tamaño de la muestra, ficha en la apropiada

forma las mediciones de la característica de calidad seleccionado.
Paso 2: Para cada muestra, calcular la muestra media y el rango utilizando las siguientes fórmulas:
norte
X ii ??
1
X ?? ?? 7-1 ??
norte
R ?? X máx X min ?? 7-2 ??

dónde X yo representa el yo ésima observación, norte es el tamaño de la muestra, X máx es la observación más grande, y X min es la observación
más pequeña.
Paso 3: O btain y dibujar el CEN t erline y la límites de control de prueba para cada gráfico. Para el
X- gráfico, la línea central X es dado por
sol
X ii ??
1
X ?? ?? 7-3 ??
sol
dónde sol representa el número de muestras. Para el R- gráfico, la línea central R se encuentra a partir de
sol
R yo
R ?? yo ?? 1 ?? 7-4 ??
sol
Conceptualmente, el 3 σ límites de control Para el X- tabla son
X3σ ?? 7-5 ??
X
En lugar de compute σ X a partir de los datos en bruto, podemos utilizar la relación entre la desviación estándar del proceso σ ( o
la desviación estándar de los elementos individuales) y la media de los rangos ?? R ??. factores multiplicadores utilizados para calcular
los límites de la línea central y de control se dan en la ApéndiceA-7.Cuando población froma de muestreo que se normallydistributed,
la distribución de la estadística W = R / σ ( conocido como el rango relativo) es dependiente del tamaño de la muestra norte. La media
de W está representado por re 2 y está tabulado en el apéndice A-7. Por lo tanto, una estimación de la desviación estándar proceso es
R
σ ?? ?? 7-6 ??
re 2
Los límites de control para una X- gráfico Por lo tanto, se estima que
3σ
?? UCL; LCL ?? ?? X pag
X X
norte
3R
?? X pag Dakota del Norte 2
?? UCL;XLCL ?? ??X XA 2 R ?? 7-7 ??
pag
dónde UNA 2 ?? 3 = Dakota del Norte 2 y es t abulated en el Apéndice A-7. La ecuación (7-7) es la ecuación de trabajo para la determinación
del X- límites de control gráfico, dado R.
Los límites de control para la R- tabla son conceptualmente dada por
?? UCL R; LCL R ?? ?? R 3 σ R ?? 7-8 ??
Ya que R = σ W, tenemos σ R = σσ w. En el apéndice A-7, σ w se tabula como re 3. Usando eq. (7-6), obtenemos
R re 3
σ R ??
re 2
Los límites de control para la R- gráfico se calcula como
R
UCL R ?? R ?? 3 re 3 ?? re 4 R
re 2
?? 7-9 ??
R
LCL R ?? R 3 re 3 ?? re 3 R
re 2
dónde
3 re 3 3 re 3
re 4 ?? 1 ?? y re 3 ?? max 0; 1
re 2 re 2
La ecuación (7-9) es la ecuación de trabajo para el cálculo de los límites de control para la R- gráfico. Valores de re 4 y re 3 se
tabulan en el Apéndice A-7.
Etapa 4: Representar gráficamente los valores de la gama en el gráfico de control de gama, con la línea central y la
límites de control dibujados. Determinar si los puntos están en control estadístico. Si no es así, investigar las causas
especiales asociados con el fuera de control puntos (véase la reglas
para esto en el capítulo 6) y tomar las medidas correctivas apropiadas para eliminar las causas especiales. Normalmente,
sólo algunas de las reglas se utilizan simultáneamente. El criterio más comúnmente utilizado para la determinación de una situación
fuera de control es la presencia de un punto fuera de los límites de control.
Un R- gráfico está generalmente analizó antes de que una X- tabla para determinar situaciones fuera de control. Un R-
carta de re Florida ECTS variabilidad del proceso , que debe ser puesto en el control fi en primer lugar. Como se muestra por eq. (7-7), los límites de
control para una X- gráfico implican el VA proceso Rhode Island capacidad y por lo tanto R. Por lo tanto, si una R- gráfico muestra una situación fuera de
control, los límites de la X- tabla puede no bemeaningful.
Dejar ' s considerFigu r e 7-3.On la R- gráfico, 12plots muestra superiores theupper límite de control y por lo tanto está fuera de control.
los X- gráfico, sin embargo, no muestra el proceso para estar fuera de control. Supongamos que la causa especial se identifica fi ed como un
problema con un nuevo proveedor que suministra rawmaterials y componentes. La tarea consiste en eliminar la causa, tal vez por la
elección de un nuevo proveedor o que requieren pruebas de control estadístico de procesos en el vendedor ' s planta.
Paso 5: Eliminar el punto (s) fuera de control para el que acciones correctivas se han adoptado para
eliminar las causas especiales (en este caso, muestra 12) y el uso de las muestras restantes (aquí están samp l ES 1 - 11 y
13 - 15) para determinar los límites de la línea central y de control revisadas para el X- y R- gráficos. Estos límites son conocidos
como el límites de control revisado. El ciclo de obtención de información, la determinación de los límites de prueba, fi Nding
fuera de control de puntos, identificar y corregir las causas especiales, y la determinación de los límites de control revisadas
luego continúa. Los límites de control revisadas servirán como límites de control de prueba para el futuro inmediato hasta que los
límites son revisados de nuevo. Este proceso continuo es un componente crítico de la mejora continua.
Un punto de interés en relación con la revisión de R- gráficos se refiere a las observaciones que trazan por debajo del límite de control
inferior, cuando el límite de control inferior es mayor que cero. Tales puntos que caen por debajo LCL R son, estadísticamente hablando,
fuera de control; Sin embargo, también son deseables debido a que indican inusualmente pequeña variabilidad dentro de la muestra, que
es, después de todo, uno de nuestros principales objetivos. Lo más probable es que dicha pequeña variabilidad se debe a causas
especiales.
Si el usuario está convencido de que la pequeña variabilidad en efecto, representan el estado de funcionamiento del proceso
durante ese tiempo, un esfuerzo debe bemade para identificar las causas. Si tales condiciones se pueden crear constantemente, se
reducirá la variabilidad del proceso. El proceso debe ajustarse para que coincida con esas condiciones favorables, y las observaciones
se debe mantener para el cálculo de la línea central revisado y los límites de control revisadas para el R- gráfico.
FIGURA 7-3 Parcela de valores de muestra en X- y R- gráficos.
Paso 6: yo instrumentar los gráficos de control.
los X- y R- tablas deben ser implementadas para futuras observaciones usando los central y los límites de control
revisadas. Las tablas se deben mostrar en un placewhere conspicua que serán visibles para los operadores, supervisores
y gerentes. control estadístico de procesos se beeffectiveonly si todo el mundo se ha comprometido a ella - fromtheoperator
al jefe executiveof fi CER.
Ejemplo 7-1 Considere un proceso por el cual se fabrican bobinas. Las muestras de tamaño 5 son seleccionados al azar
del proceso, y los valores de resistencia (en ohmios) o f se miden las bobinas. Los valores de datos se dan en la Tabla 7-2,
como lo son la media de la muestra X y el rango
R. En primer lugar, la suma de los rangos se encuentra y luego la línea central R. Tenemos
TABLA 7-2 Resistencia de la bobina de Datos
Muestra observación ( Ω) X R comentarios
1 20, 22, 21, 23, 22 21.60 3

2 19, 18, 22, 20, 20 19.80 4
3 25, 18, 20, 17, 22 20.40 8 Nuevo vendedor
4 20, 21, 22, 21, 21 21.00 2

5 19, 24, 23, 22, 20 21.60 5
6 22, 20, 18, 18, 19 19.40 4
7 18, 20, 19, 18, 20 19.00 2
8 20, 18, 23, 20, 21 20.40 5
9 21, 20, 24, 23, 22 22.00 4
10 21, 19, 20, 20, 20 20.00 2
11 20, 20, 23, 22, 20 21.00 3
12 22, 21, 20, 22, 23 21.60 3
13 19, 22, 19, 18, 19 19.40 4
14 20, 21, 22, 21, 22 21.20 2
15 20, 24, 24, 23, 23 22.80 4
dieciséis 21, 20, 24, 20, 21 21.20 4
17 20, 18, 18, 20, 20 19.20 2
18 20, 24, 22, 23, 23 22.40 4
19 20, 19, 23, 20,19 20.20 4
20 22, 21, 21, 24, 22 22.00 3
21 23, 22, 22, 20, 22 21.80 3
22 21, 18, 18, 17, 19 18.60 4 Alta temperatura
23 21, 24, 24, 23, 23 23.00 3 mueren incorrecto
24 20, 22, 21, 21, 20 20.80 2

25 19, 20, 21, 21, 22 20.60 3
Suma = 521.00 Suma = 87
sol
R yo
yo ?? 1 87
R ?? ?? ?? 03:48
sol 25
Para una muestra de tamaño 5, Apéndice A-7 da re 4 = 2.114 y re 3 = 0. Los límites de control de prueba
Para el R- tabla se calculan como sigue:
UCL R ?? re 4 R ?? ?? 2: 114 ???? 03:48 ?? ?? 7: 357 LCL R ?? re 3 R ??
?? 0 ???? 03:48 ?? ?? 0
La línea central en el X- tabla se obtiene como sigue:

sol
X yo
yo ?? 1 521: 00
X ?? ?? ?? 20: 840
sol 25
Apéndice A-7, para n = 5, da UNA 2 = 0,577. Por lo tanto, los límites de control en el juicio X- cartas son
UCL ?? X ?? UNA 2 R ?? 20:84 ?? ?? 0: 577 ???? 03:48 ?? ?? 22: 848

X
LCL ??XXA 2 R ?? 20:84 ?? 0: 577 ???? 03:48 ?? ?? 18: 832
Podemos useMinitab para construir el juicio X- y R- Gráficos de los datos de la Tabla 7-2. Elija Estadísticas
> Los gráficos de control> Variables Gráficos de subgrupos> X bar-R. Indicar si los subgrupos están dispuestos en una sola
columna o en filas, de entrada, en este caso números de las columnas C1 a C5, ya que en la hoja de cálculo para este ejemplo un
subgrupo se introduce como una fila a través fi cinco columnas, clickon Opciones Xbarra-RChart, seleccionar Estimar, Y debajo Método F o
la estimación de la desviación estándar, seleccionar Rbar. Hacer clic DE ACUERDO. La Figura 7-4 muestra el Minitab X- y R- cartas con 3 σ
límites. Observar que la muestra 3 es por encima del límite de control superior sobre el R- gráfico y muestras 22 y 23 están por
debajo y por encima de la X- límite de control de gráfico, respectivamente. Cuando se investigaron las causas especiales para
estas tres muestras, los operadores encontraron que el valor grande para el rango de sample3was debido a las rawmaterials y
componentes qualityof compró newvendor froma. Gestión decidió requerir el nuevo proveedor para proporcionar documentación
que demuestre que las medidas de control adecuadas están siendo implementados en el vendedor ' s planta y que las posteriores
entregas de materias primas y componentes se ajustan a las normas.
Cuando se examinaron las causas especiales para las muestras 22 y 23, los operadores encontraron que la temperatura del horno era
demasiado alto para la muestra 22 y la matriz equivocada se utilizó para la muestra fueron tomadas 23. Las medidas correctivas para rectificar
estas situaciones.
Con las muestras 3, 22 y 23 eliminados, la línea central revisado sobre la R- tabla es
72
R ?? ?? 3: 273
22
Los límites de control revisadas sobre la R- tabla son
UCL R ?? re 4 R ?? ?? 2: 114 ???? 3: 273 ?? ?? 6: 919 LCL R ?? re 3 R ??
?? 0 ???? 3: 273 ?? ?? 0
FIGURA 7-4 X- y R- Gráficos de datos sobre la resistencia de la bobina usando Minitab.

La línea central revisado sobre la X- tabla es
459
X ?? ?? 20: 864 22
Los límites de control revisadas sobre la X- tabla son
UCL ?? X ?? UNA 2 R ?? 20: 864 ?? ?? 0: 577 ???? 3: 273 ?? ?? 22: 753

X
LCL ?? XA 2 R ?? 20: 864 ?? 0: 577 ???? 3: 273 ?? ?? 18: 975

X
Tenga en cuenta que la muestra 15 cae ligeramente por encima del límite de control superior sobre la X- gráfico. En una investigación adicional,
no hay causas especiales podrían identificarse fi ed para esta muestra. Por lo tanto, los límites revisados serán utilizados para las observaciones
futuras hasta que una revisión posterior se lleva a cabo.
Tamaño de la muestra Variable
Hasta ahora, nuestro tamaño de la muestra ha sido una ss Umed a ser constante. Un cambio en el tamaño de la muestra tiene un impacto
en los límites de control para el X- y R- gráficos. Se canbe visto fromeqs. (7-7) una norte d (7-9) que un aumento en el tamaño de la muestra norte
reduce la anchura de los límites de control. Por un X- gráfico, el widthof los límites de control fromthe línea central es inverselyproportional a
la raíz cuadrada del tamaño de la muestra. Apéndice A-7 muestra el patrón en el que los valores de los factores de la carta de control
UNA 2, re 4, y re 3 disminuir con un aumento de tamaño de la muestra.
Gráficas de control estandarizado
Cuando el tamaño de la muestra varía, los límites de control sobre una X- y un R- gráfico va a cambiar, como se discutió previamente.
Con Florida fluctuante límites de control, las normas para la identificación fuera de control de las condiciones que discutimos en el
capítulo 6 convertirse DIF fi culto a aplicar - es decir, a excepción de la Regla 1 (que supone un proceso para estar fuera de control
cuando una observación parcelas fuera de los límites de control). Una forma de superar este inconveniente es utilizar un gráfico de
control estandarizado. Cuando estandarizamos una estadística, restamos itsmean de su valor y se divide este valor por su desviación
estándar. Los valores normalizados a continuación, representan la desviación de la media en unidades de desviación estándar. Ellos
son sin dimensiones y tienen una media de cero. Los límites de control en un gráfico estándar están en ± 3 y son, por tanto, constante.
Eso ' Es más fácil de interpretar los cambios en el proceso de una tabla estandarizada que de una tabla con Florida fluctuante límites de
control.
Dejar que el tamaño de la muestra para la muestra yo se denota por norte yo, y deja X yo y s yo denotar su promedio y desviación estándar,
respectivamente. La media de los promedios de la muestra se encuentra como
sol
norte yo X
ii ?? 1
X ?? ?? 7-10 ??
sol
norte
ii ?? 1
Una estimación de la desviación estándar de proceso, σ, es la raíz cuadrada de la media ponderada de las varianzas de las muestras,
donde los pesos son 1 menos los tamaños de las muestras correspondientes. Asi que,
sol
2
?? norte yo 1 ?? s yo
yo ?? 1
σ ?? ?? 7-11 ??
sol ?? norte yo
1 ??
yo ?? 1
Ahora, para la muestra yo, el valor normalizado de la media, Z yo, se obtiene a partir
X yo X
pagyo
Z yo ?? σ = norte ?? 7-12 ??
dónde X y σ se dan por las ecuaciones. (7-10) y (7-11), respectivamente. Una trama de la Z yo- valores en un gráfico de control, con la
línea central a 0, el límite de control superior a 3, y el límite de control inferior a
3, representa un gráfico de control estandarizado para la media. Para estandarizar el gráfico de rango, el rango R yo para la muestra yo es fi primera
dividedby la estimación de la desviación estándar de proceso, σ, dada por la ecuación. (7-11), para obtener
r yo ?? R i = σ ?? 7-13 ??
Los valores de r yo a continuación, están estandarizados sustrayendo su media re 2 y dividiendo por la desviación estándar re 3 ( Nelson
1989). Los factores re 2 y re 3 se tabulan para diversos tamaños de la muestra en el Apéndice A-7. Por lo tanto, el valor normalizado
de la gama, k yo, es dado por
re 2
k yo ?? r yo ?? 7-14 ??
re 3
Estos valores de k yo se trazan en un gráfico de control con una línea central a 0 y los límites superior e inferior de control a las 3 y 3,
respectivamente.
Límites de control para un objetivo determinado o Standard
Gestión sometimeswants para especificar los valores de la desviación estándar y processmean. Estos valuesmay representan
objetivos o estándar deseable o valores objetivo. Los gráficos de control en base a estos valores objetivo ayudar a determinar si
el proceso existente es capaz de cumplir con los estándares deseables. Por otra parte, también ayudan a establecer objetivos
realistas de gestión para el proceso existente.
Dejar X 0 y σ 0 representar los valores objetivo de la media del proceso y de norma vi ación, respectivamente. Los límites de la
línea central y de control basados en estos valores estándar para la X- tabla están dadas por
CL X ?? X 0
UCL X ?? X 0 ?? 3 σ 0 pag
norte
?? 7-15 ??
LCL X ?? X 0 3 σpag
0
norte
pag
Dejar UNA ?? 3 = norte. Los valores para UNA se tabulan en el Apéndice A-7. La ecuación (7-15) puede ser reescrita como
CL ?? X 0
X
UCL ?? X 0 ?? UNA σ 0 ?? 7-16 ??
X
LCL ?? X 0 UNA σ 0
X
Para el R- gráfico, la línea central se encuentra de la siguiente manera, Desde σ ?? R = d 2, tenemos
CL R ?? re 2 σ 0 ?? 7-17 ??
dónde re 2 está tabulado en el apéndice A-7. Los límites de control son
UCL R ?? R ?? 3 σ R ?? re 2 σ 0 ?? 3 re 3 σ 0
?? 7-18 ??
?? ?? re 2 ?? 3 re 3 ?? σ 0 ?? re 2 σ 0
dónde re 2 = re 2 + 3 re 3 ( Apéndice A-7) y σ R = re 3 σ.
Similar,
LCL R ?? R 3 σ R ?? re 2 σ 0 3 re 3 σ 0
?? 7-19 ??
?? ?? re 2 3 re 3 ?? σ 0 ?? re 1 σ 0
dónde re 1 = re 2 3 re 3 ( Apéndice A-7).

Hay que tener cuidado al interpretar los gráficos de control en base a los valores objetivo o estándar. observaciones de la muestra
pueden caer fuera de los límites de control a pesar de que no hay causas especiales están presentes en el proceso. Esto es porque estos
standardsmaynot deseable ser consistentwith las condiciones del proceso. Por lo tanto, podríamos perder tiempo y recursos en busca de
causas especiales que no EXI s t. En una X- gráfico, trazan puntos pueden caer fuera de los límites de control debido a que una media de
proceso de destino es especí fi ed como demasiado alto o demasiado bajo en comparación con el proceso existente significar. Por lo general,
es más fácil tomeet un valor objetivo deseable para el processmean de lo que es para la variabilidad del proceso. Por ejemplo, ajustando el
diámetro medio o la longitud de una parte a menudo puede llevarse a cabo mediante un simple cambio de parámetros de proceso
controlables. Sin embargo, la corrección de R- puntos de gráfico que trama por encima del límite de control superior es generalmente mucho
más dif fi culto.
Un R- gráfico basado en valores objetivo también puede indicar la variabilidad del proceso excesivo sin causas especiales
presentes en el sistema. Por lo tanto, el cumplimiento del valor objetivo σ 0 puede implicar cambios drásticos en theprocess. Tal R- chartmaybe
dando a entender que el existingprocess no es capaz ofmeeting la norma deseada. Este enablesmanagement información para
establecer objetivos realistas.
Ejemplo 7-2 Consulte los datos de resistencia de la bobina en el Ejemplo 7-1. Dejar ' s Supongamos que los valores objetivo para la
resistencia promedio y la desviación estándar son 21,0 y 1,0 Ω, respectivamente. El tamaño de la muestra es de 5. La línea central y los
límites de control para la X- tabla son los siguientes:
CL ?? X 0 ?? 21: 0
X
UCL ?? X 0 ?? UNA σ 0 ?? 21: 0 ?? ?? 1: 342 ???? 1: 0 ?? ?? 22: 342
X
LCL ??XX 0 UNA σ 0 ?? 21: 0 ?? 1: 342 ???? 1: 0 ?? ?? 19: 658
Los central y los límites de control para el R- tabla son
CL R ?? re 2 σ 0 ?? ?? 2: 326 ???? 1: 0 ?? ?? 2: 326 UCL R ?? re 2 σ 0 ??
?? 4: 918 ???? 1: 0 ?? ?? 4: 918 LCL R ?? re 1 σ 0 ?? ?? 0 ???? 1: 0 ??
?? 0
Figura 7-5 muestra el diagrama de control para el intervalo basado en el valor estándar. Dado que los gráficos de control fueron
revisadas en el Ejemplo 7-1, representamos gráficamente las 22 muestras en-control y excluimos las muestras 3, 22, y 23 porque
estamos suponiendo que las medidas correctivas han eliminado esas causas. Ahora podemos ver qué tan cerca en el proceso de control
de la hora de satisfacer los valores objetivo establecidos.
El proceso parece estar fuera de control con respecto a la norma dada. Las muestras 5 y 8 están por encima del límite de control
superior, y amajority de los puntos se encuentran por encima de la línea central. Sólo seis
FIGURA 7-5 R- gráfico basado en un valor estándar.
de los puntos de la trama belowthe línea central. Figura 7-5 revela así que el proceso no es capaz de cumplir con las directrices
de la empresa. La desviación estándar de destino σ 0 es 1,0. La desviación estándar estimada del proceso del Ejemplo 7-1
(calculado después del proceso fue llevado a controlar) se
R 03:50
σ ?? ?? ?? 1: 505
re 2 2: 326
Esta estimación excede el valor objetivo de l.0. La administración debe mirar a causa común para reducir la variabilidad del
proceso si la norma es que se reunió. Esto puede requerir cambios importantes en los métodos de funcionamiento, el material
entrante, o el equipo. El control del proceso no será SUF fi cie norte t para alcanzar el objetivo deseado.
los X- gráfico basado en el valor estándar se muestra en la Figura 7-6. Varios puntos quedan fuera de los límites de control - cuatro
puntos por debajo y dos puntos anteriores. En el Ejemplo 7-1, la línea central revisado para el X- Se encontró gráfico a ser 20.864.
Nuestro objetivo central now21.0. Ajustando los parámetros del proceso controlables posiblemente podrían cambiar el nivel
promedio de hasta 21,0. Sin embargo, el hecho de que hay puntos fuera de tanto los límites de control superior e inferior signi fi es
que la variabilidad del proceso es la cuestión aquí.
FIGURA 7-6 X- gráfico basado en un valor estándar.

Las causas comunes deben ser examinados: es decir, la reducción de la variabilidad sólo se logra a través de la mejora de
procesos. Figura 7-6 indica que la desviación estándar blanco de 1,0 no es realista para el proceso actual. A menos que la
administración hace cambios importantes en el proceso, el objetivo no valuewill bemet. Acciones por parte de los operadores
solo es probable que causen la necesaria reducción de la variabilidad del proceso.
Interpretación y conclusiones de los Gráficos
el DIF fi culto parte del análisis es determinar e interpretar las causas especiales y selección de acciones correctivas. El uso eficaz de
los gráficos de control exige a los operadores que están familiarizados con no sólo los fundamentos estadísticos de los gráficos de
control, sino también del propio proceso. Ellos deben entender a fondo cómo los diferentes parámetros controlables en Florida influir
en la variable dependiente de interés. El gerente de aseguramiento de la calidad o el analista deben trabajar en estrecha
colaboración con el ingeniero de diseño del producto y el diseñador de procesos o analista venir upwith políticas óptimas.
En el capítulo 6 discutimos fi cinco reglas para determinar las condiciones fuera de control. La presencia de un punto que cae
fuera del 3 σ límites es el más utilizado de esas reglas. Determinaciones también se puede hacer mediante la interpretación de los
patrones típicos de la trama. Una vez que se determine la causa especial, esta información además de un conocimiento de la trama
puede dar lugar a medidas correctivas apropiadas.
A menudo, cuando el R- do Hart se lleva a controlar, muchas causas especiales para THE- X- tabla se eliminan también. los X- gráfico
m o nitors el centrado del proceso porque X es ameasure del centro. Por lo tanto, un salto en el X- tabla significa que el promedio del
proceso ha saltado y una tendencia creciente indica el centro de proceso está aumentando gradualmente. Proceso de centrado por
lo general se lleva a cabo a través de ajustes InMachine ajustes o parámetros tales controlables como herramienta apropiada,
adecuada profundidad de corte, o un pienso adecuado. Por otro lado, la reducción de la variabilidad del proceso para permitir una R- tabla
para control de exposición es una dif fi tarea culto que se logra a través de la mejora de calidad.
Una vez que un proceso está bajo control estadístico, su capacidad se puede estimar mediante el cálculo de la desviación estándar
del proceso. Esta medida puede ser utilizada para determinar cómo el proceso performswith respecto a alguna especificación declarada fi
límites de cationes. los proporción de no conforme
los artículos pueden ser estimados. Dependiendo de la característica que se considera, parte de la salida pueden ser modificados, mientras
que algunos pueden convertirse en chatarra. Dado el coste unitario de la reanudación y desechos, se puede obtener una estimación del coste
total de la reanudación y desechos. Capacidad de procesamiento medidas se analizan con más detalle en el capítulo 9. Desde una R- gráfico
que exhibe control, la desviación estándar proceso se puede estimar como
R
σ ??
re 2
dónde R es la línea central y re 2 es un factor tabulado en el apéndice A-7. Si la distribución de la característica de calidad
puede ser asumido como normal, entonces dado alguna especí fi límites de cationes, la tabla normal estándar se pueden
utilizar para determinar la proporción de salida que se conforme.
Ejemplo 7-3 Consulte los datos de resistencia de la bobina en el Ejemplo 7-1. Supongamos que la especificación fi ciones ca son 21 ± 3 Ω.
(una) Determinar la proporción de la salida que se conforme, suponiendo que la bobina

la resistencia se distribuye normalmente.
FIGURA 7-7 Proporción de la producción no conforme.
Solución fromthe revisada R- gráfico, encontramos la línea central Tobe R ?? 3:50. La desviación estándar estimada proceso
es
R 03:50
σ ?? ?? ?? 1: 505
re 2 2: 236
La línea central revisado sobre la X- tabla es X ?? 20: 864, que se utiliza como una estimación de la media del proceso.
Figura 7-7 muestra la proporción de la salida que se conforme. El valor normal estandarizada en la especificación más baja fi límite
de cationes (LSL) se encuentra como
18 20: 864
z 1 ?? ?? 1:90 1:
505
El valor normal estandarizada en la especificación superior fi límite de cationes (USL) es
24 20: 864
z 2 ?? ?? 2:08 1:
505
Del Apéndice A-3 se fi nd que la proporción del producto por debajo de la LSL es 0,0287, y la proporción por encima
de la USL es 0,0188. Por lo tanto, la proporción total de la producción no conforme es 0,0475.
(segundo) Si la tasa de producción diaria es de 10.000 bobinas y si bobinas con una resistencia menor que la
LSL no puede ser utilizado para el propósito deseado, lo que es la pérdida para el fabricante, si el costo unitario de la chatarra es de
50 centavos?
Solución El coste diario de la chatarra es
?? 10; 000 ???? 0: 0287 PS doce y cincuenta ?? ?? PS 143: 50

Patrones gráfico de control y acciones correctivas
identi Anonrandom fi patrón de poder en la trama de un gráfico de control podría proporcionar suf fi ciente razón para buscar causas
especiales en el sistema. Causas comunes de variationare sistema inherente toa; un sistema que opera bajo únicas causas
comunes se dice que es en un estado de control estadístico. Las causas especiales, sin embargo, podría ser debido a perturbaciones
periódicas y persistentes que afectan el proceso de forma intermitente. El objetivo es identificar las causas especiales y tomar las
medidas correctivas apropiadas.
Los ingenieros de Western Electric Company han identi fi ed 15 patrones típicos en los gráficos de control. Su capacidad
para reconocer estos patrones le permitirá determinar cuando la acción debe ser tomada y qué acción a tomar (AT & T
1984). Discutimos 9 de estos patrones aquí.
Los patrones naturales Un patrón natural es uno en el que no identi fi existe disposición capaz de los puntos trazados. No hay
puntos caen fuera de los límites de control, la mayoría de los puntos están cerca de la línea central, y algunos puntos están
cerca de los límites de control. Modelos naturales son indicativos de un proceso que está en control; es decir, que demuestran
la presencia de un sistema estable de causas comunes. Un patrón natural se muestra en la Figura 7-8.
Los cambios repentinos en t h e Nivel Muchas causas pueden provocar una repentina do hange (o salto) en el nivel de patrón en una X-
o R- gráfico. La figura 7-9 muestra un cambio repentino en una X- gráfico. Tales saltos se producen cambios becauseof - intencional o no - en
la configuración de suchprocess como temperatura, presión, o depthof cambio cut.Asudden en el nivel de servicio promedio, por
ejemplo, couldbe un cambio en el tiempo de espera del cliente en un banco porque el número de cajeros cambió. Los nuevos
operadores, nuevos equipos, nuevos instrumentos de medición, nuevos proveedores y nuevos métodos de procesamiento son otras
razones para los cambios repentinos en X- y R- gráficos.
Los cambios graduales en el nivel cambios graduales en el nivel occurwhenaproce s s parámetro cambia gradualmente durante
un período de tiempo. Después, el proceso se estabiliza. Un X- carta podría exhibir un cambio tan debido a que la calidad de
entrada de rawmaterials o componentes cambió con el tiempo, el programa de mantenimiento cambió, o el estilo de supervisión
cambió. Un R- fuerza gráfica
Figura 7-8 Modelo natural para un proceso en el control en una X- gráfico.

Figura 7-9 cambio repentino en el nivel de patrón en una X- gráfico.
exhibir un cambio de tales a consecuencia de un nuevo operador, una disminución en la habilidad del trabajador debido a la fatiga o la
monotonía, o una mejora gradual de la calidad de entrada de materias primas estar do ause un proveedor ha implementado un sistema de
control estadístico de procesos. Figura 7-10 muestra una X- gráfico que muestra un cambio gradual en el nivel.
patrón de tendencias Tendencias difieren turnos fromgradual en el nivel en que las tendencias no hacen t estabilizar o establecerse. Tendencias
representan cambios que aumentan o disminuyen de forma constante. Un X- gráfico puede exhibir una tendencia debido al desgaste de herramientas,
matrices desgaste, deterioro gradual de los equipos, acumulación de desechos en plantillas y fi xtures, o el cambio gradual de la temperatura. Un R- gráfico
puede exhibir una tendencia a causa de una mejora gradual de la habilidad del operador resultante de tren en el puesto de trabajo yo ng o una
disminución en la habilidad del operario debido a la fatiga. Figura 7-11 muestra un patrón de tendencia en una X- gráfico.
FIGURA 7-10 cambio gradual en el nivel de patrón en una X- gráfico.

FIGURA 7-11 patrón de tendencia en una X- gráfico.
Los patrones cíclicos patrones cíclicos se caracterizan por un comportamiento periódico repetitivo en el sistema. Ciclos de
lowandhighpointswill aparecen en el gráfico de control. Un X- chartmay exhibir un comportamiento cíclico debido a una
rotación de los operadores, los cambios periódicos de temperatura y humedad (tal como un arranque en frío de la mañana),
la periodicidad en las propiedades mecánicas o químicas del material, o la variación estacional de los componentes
entrantes. Un R- gráfico puede mostrar patrones cíclicos debido a la fatiga del operador y la posterior activación siguiente se
rompe, una diferencia entre s h ifts, o el mantenimiento periódico de los equipos. Figura 7-12 muestra un patrón cíclico para
una X- gráfico. Si las muestras se toman con muy poca frecuencia, sólo se representa la alta o los puntos bajos, y el gráfico
no exhibirá un patrón cíclico. Si los usuarios gráfico de control sospechan comportamiento cíclico, se deben tomar muestras
de frecuencia para investigar la posibilidad de un patrón cíclico.
FIGURA 7-12 patrón cíclico en una X- gráfico.

FIGURA 7-13 patrón de monstruo en una X- gráfico.
Los patrones salvajes modelos salvajes se dividen en dos categorías: monstruos y racimos (o grupos). puntos gráfico de
control que presentan cualquiera de estas dos propiedades se, estadísticamente hablando, signi fi cativamente diferente de los
otros puntos. Las causas especiales están generalmente asociados con estos puntos.
Freaks son causedby perturbaciones externas que en Florida influencia oneormore muestras. Figura 7-13 muestra un gráfico de
control que presenta un patrón anormal. Freaks son puntos trazados demasiado pequeño o demasiado grande con respecto a los límites
de control. Normalmente, tales puntos quedan fuera de los límites de control y son fácilmente distinguibles de los otros puntos en el
gráfico. A menudo no es dif fi culto a identificar las causas especiales para los monstruos. Debe asegurarse, sin embargo, que no hay
ningún error de medición o la grabación asociada al punto de bicho raro. Algunas de las causas especiales de los monstruos incluyen los
apagones repentinos, de muy corta duración; el uso de una nueva herramienta para un periodo de prueba breve; y el fallo de un
componente.
racimos, o grupos, son grupos de varias observaciones que son decididamente diferente de otros puntos de la trama. Figura 7-14
muestra un patrón gráfico de control que muestra un comportamiento agrupamiento. Las posibles causas especiales de este tipo de
comportamiento incluyen el uso de un newvendor por un corto período de tiempo, adifferentmachine useof para una breve timeperiod,
andnewoperator utilizados por un período corto.
Patrones de la mezcla (o el efecto de dos poblaciones omás) Amixture patrón es causada por la presencia de dos o más
poblaciones de la muestra y se caracteriza por puntos que caen cerca de los límites de control, con una ausencia de puntos cerca
de la línea central. Amixture patrón puede ocurrir cuando un conjunto de valores es demasiado alto y otro demasiado bajo debido
a las diferencias en la calidad de entrada ofmaterial de dos proveedores. Aremedial actionwould sea t o tener un gráfico de control
separado para cada proveedor. Figura 7-15 muestra un patrón de mezcla. En una X- gráfico, un patrón de mezcla también puede
resultar de sobrecontrol. Si un operador opta por ajustar la máquina o proceso cada vez que un punto de parcelas cerca de una
estafa tr límite ol, el resultado será un patrón de grandes oscilaciones. patrones de mezcla también puede ocurrir en ambos X- y R- cartas
debido a dos o más máquinas que se representan en el mismo gráfico de control. Otros ejemplos incluyen dos o más operadores
FIGURA 7-14 patrón de agrupamiento en una X- gráfico.
siendo representado en el mismo gráfico, las diferencias en dos piezas omás de equipo de pruebas ormeasuring, y las
diferencias en los métodos de producción de dos o más líneas.
Estratos fi Patrones de cationes Una estratificación fi patrón catión es otro resultado posible cuando dos o más distribuciones de la población de
la misma característica de calidad están presentes. En este caso, la salida se combina, ormixed (por ejemplo, a partir de dos turnos), y las
muestras se seleccionan de salida themixed. En este modelo, la mayoría de los puntos están muy cerca de la línea central, con muy pocos
puntos cerca de los límites de control, Por lo tanto, la trama puede ser mal interpretado como una indicación inusualmente buen control. Una
estratificación fi patrón de catión se muestra en la figura 7-16. una trama de este tipo podría haber resultado de la representación gráfica de
datos para muestras compuestas de la producción combinada de dos turnos, cada uno diferente en su rendimiento. Es posible que el promedio
de la muestra (que en realidad es el promedio de las piezas elegido
FIGURA 7-15 patrón de mezcla en una X- gráfico.

FIGURA 7-16 Estratos fi patrón de cationes en una X- gráfico.
de ambos turnos) a Florida uctuar muy poco, lo que resulta en una estratificación fi patrón de cationes en la trama. Las medidas correctoras
en tales situaciones implican tener gráficos de control separados para cada turno. El método de elección de muestras racionales debe
analizarse cuidadosamente de modo que las distribuciones de los componentes no se mezclan cuando se seleccionan muestras.
Los patrones de interacción Un patrón de interacción occurswhen el nivel de una variable afecta al comportamiento de otras
variables asociadas con la característica de calidad de interés. Además, el efecto combinado de dos o más variables de la
característica de calidad de salida puede ser diferente del efecto individual de cada variable. Un patrón de interacción puede
ser detectado por cambiar el esquema para el muestreo racional. Supongamos que en un proceso químico de la temperatura
andpressureare dos controllablevariables importantes que afectan theoutput qualitycharacteristic de interés. Una baja presión
y una alta temperatura pueden producir un efecto muy deseable en la característica de salida, mientras que una presión baja
por sí mismo puede no tener ese efecto. Un método de muestreo eficaz implicaría el control de la temperatura en varios
valores altos y luego determinar el efecto de la presión sobre la característica de salida para cada valor de temperatura.
Samplescomposedof randomcombinationsof temperatureandpressuremay no identificar el efecto interactivo de esas variables
sobre la característica de salida. El gráfico de control inFigure7-17 muestra interactionbetweenvariables. En el fi parcela
primera, la Levela temperaturewasmaintainedat; en el secondplot, que se llevó a cabo a nivel B. Nota que el nivel medio y la
variabilidad del cambio característico de salida para los dos niveles de temperatura. Además, si el R- gráfico muestra la
muestra oscila para ser pequeño, información sobre la interacción podría ser usado para establecer la configuración de
parámetros de proceso deseables.
Gráficas de control para otra variable s El gráfico de control patrones descritos en esta sección también se producen en los gráficos
de control además X- y R- gráficos. Cuando se encuentra en otros tipos de gráficos de control, estos patternsmay indican diferentes
causas que thosewe discutido en esta sección, pero el razonamiento similar se puede utilizar para determinarlos. Además, tanto las
consideraciones preliminares y los pasos para la construcción de gráficos de control descritas anteriormente se aplican también a
otros gráficos de control.
Listas de control para la media y desviación estándar 321
FIGURA 7-17 patrón de interacción entre las variables en una X- gráfico.
7-5 cartas de control para la media y desviación estándar
A pesar de una R- tabla es fácil de construir y utilizar, un gráfico de la desviación estándar ( s-gráfico) es preferible para tamaños de
muestra más grandes (iguales o mayores que 10, por lo general). Como se mencionó en el Capítulo 4, representa el rango para sólo
los valores máximo y mínimo de la muestra y, en consecuencia es menos eficaz para muestras grandes. La desviación estándar de la
muestra sirve como un bettermeasure de la variabilidad del proceso en estas circunstancias. los desviación estándar de la muestra
es dado por
norte
?? X yo X ?? 2
yo ?? 1
s ?? ?? 7-20 ??
norte 1
norte norte
2
X yo2 X yo = norte
yo ?? 1 yo ?? 1
?? ?? 7-21 ??
norte 1
Si la distribución de la población de una característica de calidad es normal con una desviación estándar de población denotado
por σ, la media y la desviación estándar de la desviación estándar de la muestra están dadas por
mi ?? s ?? ?? do 4 σ ?? 7-22 ??
2
σ s ?? σ 1 do ?? 7-23 ??
4
respectivamente, donde do 4 es un factor que depende del tamaño de la muestra y se da por
1=2
2 Γ ?? n = 2 ??
do 4 ?? norte 1 ?? 7-24 ??
Γ ???? norte 1 ?? = 2 ??
Valores de do 4 se tabulan en el Apéndice A-7.

No hay normas que se especifican
La línea central de un gráfico de la desviación estándar es de
sol
s yo
CL s ?? s ?? yo ?? 1 ?? 7-25 ??
sol
dónde sol es el número de muestras y s yo es la desviación estándar de la yo ésima muestra. El límite de control superior es
2
UCL s ?? s ?? 3 σ s ?? s ?? 3 σ 1 do 4
De acuerdo con eq. (7-22), una estimación de la desviación estándar de la población σ es
s
σ ?? ?? 7-26 ??
do 4
Sustituyendo esta estimación de σ en los rendimientos de expresión anteriores
pag
2
3 s ?? 1 do 4 ??
UCL s ?? s ?? ?? segundo
4 Carolina del Sur 4
pag
dónde segundo 4 ?? 1 ?? 3 1 c 24= c 4 y está tabulado en el apéndice A-7. Similar,
pag
3 s ?? 1 do 24 ??
LCL s ?? s ?? segundo
3 Carolina del Sur 4
pag
2
dónde segundo 3 ?? max 0; 1 3 1 c 4= c 4 y también está tabulado en el apéndice A-7. Por lo tanto, la
3 σ límites de control son
UCL s ?? segundo 4 s; LCL s ?? segundo 3 s ?? 7-27 ??
La central de la gráfica para la media X es dado por
sol
X ii ??
1
CL X ?? X ?? ?? 7-28 ??
sol
Los límites de control sobre el X- tabla son
3σ
X 3 σ ?? X pag
X
norte
Usando eq. (7-26) para obtener σ, nosotros fi nd los límites de control sean
3s
UCL ?? X ?? pag ?? X ?? UNA 3 s
X
do 4 norte
3s
LCL ?? X pag ?? XA 3 s ?? 7-29 ??
X
do 4 norte
pag
dónde UNA 3 ?? 3 = ?? do 4 norte ?? y está tabulado en el apéndice A-7.
El proceso de construcción de los límites de control de prueba, para determinar las causas especiales asociados a los puntos
fuera de control, teniendo reme re ial, y acciones fi Nding los límites de control revisadas es similar a la explicada en º mi sección
sobre X- y R- gráficos. los s- gráfico se construye fi rs t. Sólo si está en control de si el X- desarrollarse gráfico, debido a que la
desviación estándar de X es d mi colgantes de s. Si el s- gráfico no está en control, cualquier estimación de la standa r desviación d
de X será poco fiable, que a su vez crear límites de control poco fiables para X.
dada Estándar
Si una desviación estándar objetivo especí fi ed como σ 0, la línea central de la s- gráfico se encuentra usando eq. (7-22) como
CL s ?? do 4 σ 0 ?? 7-30 ??
El límite de control superior para el s- gráfico se encuentra usando eq. (7-23) como
pag
2
UCL s ?? do 4 σ 0 ?? 3 σ s ?? do 4 σ 0 ?? 3 σ 0 1 do4
pag
2
?? do 4 ?? 3 1 do σ 0 ?? segundo 6 σ 0 4
pag
2
dónde segundo 6 ?? do 4 ?? 3 1 do4 y está tabulado en el apéndice A-7. Del mismo modo, el control inferior
límite para el s- tabla es
LCL s ?? do 4 31 do 24 σ 0 ?? segundo 5 σ 0
pag
dónde segundo 5 ?? max 0; do 4 31 do 24 y está tabulado en el apéndice A-7. Por lo tanto, el control
límites para la s- tabla son
UCL s ?? segundo 6 σ 0; LCL s ?? segundo 5 σ 0 ?? 7-31 ??
Si un valor objetivo para la media es específica fi ed como X 0, la línea central está dada por
CL X ?? X 0 ?? 7-32 ??
mi quations para los límites de control serán las mismas que las dadas por eq. (7-16) en el apartado de
X- y R- gráficos:
UCL ?? X 0 ?? UNA σ 0; LCL ?? X 0 UNA σ 0 ?? 7-33 ??

X X
pag
dónde UNA ?? 3 = norte y está tabulado en el apéndice A-7.
Ejemplo 7-4 El espesor de la capa magnética en cintas de audio es una característica importante. muestras aleatorias de
tamaño 4 son sele do ted, y el grosor se mide utilizando un instrumento óptico. Tabla 7-3 muestra la media X y la desviación
estándar s para 20 muestras. la especificación fi cationes son 38 ± 4.5 micrómetros ( μ metro). Si un espesor de revestimiento es
menor que el especificado fi cationes requieren, que la cinta se puede utilizar para un propósito diferente mediante la ejecución a
través de otra operación de recubrimiento.
(una) Encuentra los límites de control para un juicio X- y un s- gráfico.

TABLA 7-3 para obtener datos de espesor de revestimiento magnético ( μ metro)
sampl mi Media, estándar de la muestra sampl mi Media, estándar de la muestra
Muestra X Desviación, s Muestra X Desviación, s
1 36.4 4.6 11 36.7 5.3

2 35.8 3.7 12 35.2 3.5
3 37.3 5.2 13 38.8 4.7
4 33.9 4.3 14 39.0 5.6
5 37.8 4.4 15 35.5 5.0
6 36.1 3.9 dieciséis 37.1 4.1
7 38.6 5.0 17 38.3 5.6
8 39.4 6.1 18 39.2 4.8
9 34.4 4.1 19 36.8 4.7
10 39.5 5.8 20 37.7 5.4
Solución El gráfico de la desviación estándar debe fi primer ser construido. La línea central de la
s- tabla es
20
s yo
95:80
CL s ?? s ?? yo ?? 1 ?? ?? 4: 790
20 20
Los límites de control para la s- tabla son
UCL s ?? segundo 4 s ?? ?? 2: 266 ???? 4: 790 ?? ?? 10: 854 LCL s ?? segundo
3 s ?? ?? 0 ???? 4: 790 ?? ?? 0
Figura 7-18 muestra este gráfico de control de la desviación estándar. Ninguno de los puntos fa l l fuera de los límites de control,
y el proceso Ver metro s para estar en un estado de control, por lo que la X- gráfico se construye siguiente. La línea central de la X- tabla
es
FIGURA 7-18 s- Gráfico de espesor de revestimiento magnético.

FIGURA 7-19 X- tabla para el espesor del revestimiento magnético.
20
X yo
yo ?? 1 743: 5
CL ?? X ?? ?? ?? 37: 175
X
20 20
Los límites de control para la X- tabla son
UCL ?? X ?? UNA 3 s ?? 37: 175 ?? ?? 1: 628 ???? 4: 790 ?? ?? 44: 973

X
LCL ?? XA 3 s ?? 37: 175 ?? 1: 628 ???? 4: 790 ?? ?? 29: 377

X
Figura 7-19 representa la X- gráfico. Todos los puntos arewithin los límites de control, y sin un patrón no aleatorio inusual es
visible en la gráfica.
( segundo) Suponiendo causas especiales para los puntos fuera de control, determinar el control revisada
límites.
Solución En este caso, los límites de control revisadas serán los mismos que los límites de control juicio porque creemos que no
hay causas especiales están presentes en el sistema.
( do) Suponiendo que el espesor del recubrimiento que se distribuye normalmente, qué proporción de
el producto no cumplirá específica fi cationes?
Solución La desviación estándar proceso puede estimarse como
s 4: 790
σ ?? ?? ?? 5: 199
do 4 0: 9213
A fi nd la proporción de la producción que no cumple con especi fi cationes, los valores normales estándar en el especí superior e inferior fi límites
de cationes (USL y LSL) debe ser encontrado. En la especificación más baja fi límite de cationes obtenemos
33: 5 37: 175

z 1 ?? ?? 0:71 5:
199
El área por debajo de la LSL, que se encuentra mediante la tabla normal estándar en el Apéndice A-3, es
0,2389. Del mismo modo, el valor normal estándar en la especificación superior fi límite catión es
42: 5 37: 175

z 2 ?? ?? 1:02 5:
199
FromAppendix A-3, el área por encima de la USL es 0,1539. Por lo tanto, la proporción de producto que no cumpla específica fi cationes
es 0,2389 + 0,1539 = 0,3928.
( re) Comentar la capacidad del proceso para producir elementos que cumplan específica fi cationes.
Solución Una proporción del 39,28% del producto específico que no cumplan fi cationes es bastante alto. Por otro lado,
encontramos el proceso de Tobe en control. En este ejemplo se enseña una lección importante. Es posible que un proceso esté
en control, no ofrezcan artículos conformes. En tales casos, la administración debe buscar las causas comunes que prevalecen
y aportar ideas para la mejora de procesos. El proceso actual no es capaz de cumplir con la especificación indicada fi cationes.
( mi) Si el promedio del proceso se desplaza a 37,8 μ m, qué proporción del producto será aceptable?
Solución Si el promedio del proceso se desplaza a 37,8 μ m, los valores normales estándar deben estar
recalculado. En la LSL,
33: 5 37: 8
z 1 ?? ?? 0:83 5:
199
De la tabla normal estándar en el Apéndice A-3, el área por debajo de la LSL es 0,2033. El valor normal
estándar en la USL es
42: 5 37: 8
z 2 ?? ?? 0:90 5:
199
El área por encima de la USL es 0,1841. Por lo tanto, la proporción es no conforme 0.2033+
0,1841 = 0,3874. Aunque este cambio en el promedio del proceso reduce la no conforme proporción, 38,74% no
conforme es todavía bastante signi fi hipocresía.
Si la salida que cae por debajo de la LSL se puede salvar a un costo más bajo que el de la producción por encima de la USL,
la compañía podría considerar ajustar la media del proceso en la dirección hacia abajo para reducir la proporción por encima de la
USL. Ser consciente de los costos unitarios asociados con el rescate de salida fuera de la especificación fi límites cationes
permitirán a la empresa para elegir un valor objetivo para la processmean. Mantenga inmind, sin embargo, que este enfoque no
resuelve el problema de fondo. Los underlyingproblemconcerns la variabilidad del proceso. Tomake el proceso sea más capaz,
debemos fi encontrar maneras de reducir la desviación estándar de proceso. Esto no puede venir de control throughprocess,
porque theprocess es actualmente el control estadístico stateof ina. Debe venir a través de la mejora de procesos, algunas
herramientas analíticas de los cuales se discute en detalle en el capítulo 5.
7-6 cartas de control para unidades individuales
Para algunas situaciones en la cual el ritmo de producción es baja, no es factible para un tamaño de la muestra sea mayor que
1. Además, si el proceso de prueba es destructiva y el costo del artículo es
Cartas de control para unidades individuales 327
caro, el tamaño de la muestra podría ser elegido para ser 1. Por otra parte, si se inspecciona cada proceso froma unidad fabricada, el
tamaño de la muestra es esencialmente 1. Las aplicaciones de servicio inmarketing y contabilidad a menudo tienen un tamaño de muestra
de 1.
En un gráfico de control para las unidades individuales - para que el valor de la característica de calidad está representado por X
- la variabilidad del proceso se estima a partir de la rango de movimiento ( MR), que se encuentra a partir de dos observaciones
sucesivas. El rango de movimiento de dos observaciones es simplemente el resultado de restar el valor menor. rangos de
movimiento están correlacionados, ya que utilizan común en lugar de valores independientes en sus cálculos. Es decir, el rango de
movimiento de las observaciones 1 y 2 se correlaciona con el rango de movimiento de las observaciones 2 y 3. Debido a que están
correlacionados, el patrón de la MR-gráfico debe interpretarse con cuidado. Tampoco podemos asumir, como hemos hecho en los
gráficos de control anteriores, que X- valores en una tabla para los individuos serán distribuidos normalmente. Por lo que debemos fi primera
comprobar la distribución de los valores individuales. Para ello, podemos realizar un análisis inicial utilizando histogramas de
frecuencia para identificar la forma de la distribución, su asimetría y curtosis su. Alternativamente, se podría realizar una prueba de
normalidad. Esta información nos dirá si podemos hacer la suposición de una distribución normal cuando establecemos los límites
de control.
No hay normas que se especifican
Una estimación de la desviación estándar proceso está dada por
SEÑOR
σ ??
re 2
donde MR es la media de los rangos de movimiento de las observaciones sucesivas. Tenga en cuenta que si tenemos un total de sol
observaciones individuales, sean therewill sol oscila 1moving. Los central y los límites de control de la MR-tabla son
CL SEÑOR ?? MR UCL SEÑOR ??
re 4 SEÑOR ?? 7-34 ??
LCL SEÑOR ?? re 3 SEÑOR
por n = 2, re 4 = 3.267, y re 3 = 0, los límites de control se convierten
UCL SEÑOR ?? 3: 267MR
LCL SEÑOR ?? 0
La línea central de la X- tabla es
CL X ?? X ?? 7-35 ??
Los límites de control de la X-tabla son
SEÑOR
UCL X ?? X ?? 3 re 2
?? 7-36 ??
SEÑOR
LCL X ?? X 3 re 2
donde (por n = 2) Apéndice A-7 da re 2 = 1.128.

dada Estándar
La derivación anterior se basa en la suposición de que no hay valores estándar se dan para ya sea themean o la
standarddeviation proceso. Si standardvalues son especí fi ed como X 0 y σ 0,
respectivamente, los límites de la línea central y de control de la X- tabla son
CL X ?? X 0
UCL X ?? X 0 ?? 3 σ 0 ?? 7-37 ??
LCL X ?? X 0 3 σ0
Asumiendo n = 2, el MR-tabla para los valores estándar tiene las siguientes central y los límites de control:
CL SEÑOR ?? re 2 σ 0 ?? ?? 1: 128 ?? σ 0
UCL SEÑOR ?? re 4 re 2 σ 0 ?? ?? 3: 267 ???? 1: 128 ?? σ 0 ?? ?? 3: 685 ?? σ 0 ?? 7-38 ??
LCL SEÑOR ?? re 3 re 2 σ 0 ?? 0
Una ventaja de una X- gráfico es la easewithwhich se puede entender. También se puede utilizar para juzgar la capacidad de
un proceso mediante el trazado de la parte superior y Lowe r especí fi límites de cationes en la itself.However tabla, tiene varias
desventajas en comparación Toan X- chart.An X- carta no es tan sensible a los cambios en los parámetros del proceso.
Normalmente se necesitan más muestras para detectar cambios paramétricos de la misma magnitud. La principal desventaja de
una X- gráfico, sin embargo, es que los límites de control pueden distorsionarse si los artículos individuales don ' t fi ta distribución
normal.
Ejemplo 7-5 Tabla 7-4 muestra números de dureza theBrinell de 20 elementos de fijación de acero individuales y rangos
themoving. El proceso de prueba dents las partes a fin de que no se pueden utilizar para el fin previsto. construir el X- gráfico
andMR-gráfico basado en dos observaciones sucesivas. especí fi límites de cationes son 32 ± 7.
Solución Tenga en cuenta que hay valores de rango 19moving de 20 observaciones. El promedio de los rangos de movimiento es
SEÑOR yo 96
SEÑOR ?? ?? ?? 5: 053 19
19
TABLA 7-4 Brinell Dureza de datos de sujetadores individuales
Brinell Emocionante Brinell Emocionante
Muestra Dureza Distancia Muestra Dureza Distancia
1 36.3 - 11 29.4 1.1

2 28.6 7.7 12 35.2 5.8
3 32.5 3.9 13 37.7 2.5
4 38.7 6.2 14 27.5 10.2
5 35.4 3.3 15 28.4 0.9
6 27.3 8.1 dieciséis 33.6 5.2
7 37.2 9.9 17 28.5 5.1
8 36.4 0.8 18 36.2 7.7
9 38.3 1.9 19 32.7 3.5
10 30.5 7.8 20 28.3 4.4
Cartas de control para unidades individuales 329
que es también la línea central de la MR-gráfico. Los límites de control para la MR-tabla son
UCL SEÑOR ?? re 4 SEÑOR ?? ?? 3: 267 ?? 5: 053 ?? 16: 508 LCL SEÑOR ?? re 3
SEÑOR ?? ?? 0 ?? 5: 053 ?? 0
Podemos useMinitab para construir las gráficas de control para valores individuales andmoving rangos para los datos de dureza
sujetador de acero de la Tabla 7-4. Haga clic en Estadísticas> Gráficos de control> Variables Gráficos de Particulares> I MR. En variables,
de entrada el número de columna o nombre de la variable, dureza Brinell en este caso. Hacer clic DE ACUERDO. Figura 7-20 muestra los
gráficos de control de prueba. No hay puntos de la trama fuera de los límites de control en el MR-gráfico. Puesto que el control exposiciones
MR-gráfico, podemos construir la X- tabla para los valores de datos individuales. La línea central de la X-
tabla es
X yo 658: 7
X ?? ?? ?? 32: 935
20 20
Los límites de control para la X- tabla están dadas por
3MR 3 ?? 5: 053 ??
UCL X ?? X ?? ?? 32: 935 ?? ?? 46: 374
re 2 1: 128
3MR 3 ?? 5: 053 ??
LCL X ?? X ?? 32: 935 ?? 19: 496
re 2 1: 128
los X- gráfico también se muestra en la figura 7-20. No hay puntos fuera de control son visibles. La comparación de los valores individuales con
la especificación fi límites de cationes, nos fi Dakota del Norte No valores fuera de la especificación fi límites de cationes. Por lo tanto, la tasa de no
conformidad observada es cero y el proceso es capaz.
FIGURA 7-20 Los gráficos de control para los valores individuales ( X- el gráfico) y la gama de movimiento (MR-gráfico) para la dureza de sujetadores de acero.
7-7 cartas de control para series cortas de producción
Organizaciones, la fabricación y el servicio, se enfrentan con series cortas de producción por varias razones. la
especialización del producto y ser sensible a las necesidades del cliente son dos razones importantes. Considere una
empresa que ensambla computadoras basadas en pedidos de los clientes. Hay que isnoguarantee thenext 50orderswill ser
para un computerwith las características samehardware y software.
� y R- Gráficos de series cortas de producción

X-
Cuando diferentes partes se pueden producir en el corto plazo, un enfoque es utilizar la desviación del valor nominal
como el modi fi observaciones ed. El valor nominal puede variar frompart a parte. Por lo tanto, la desviación del valor
observado O yo a partir del valor nominal norte
es dado por
X yo ?? O yo NORTE; yo ?? 1; 2; . . . ; norte ?? 7-39 ??
El procedimiento para la construcción de la X- y R- cartas es el mismo que antes de utilizar themodi fi edobservations, X yo. Las
diferentes partes se plottedon el mismo gráfico de control a fin de tener la información mínima (por lo general, al menos 20
muestras) que se requieren para construir los gráficos, a pesar de que para cada parte no hay suficientes muestras para justificar la
construcción de un gráfico de control.
Varias hipótesis se hacen en este enfoque. En primer lugar, se supone que la desviación estándar del proceso es
aproximadamente el mismo para todas las partes. En segundo lugar, lo que ocurre cuando un valor nominal no es específica fi ed (que
es especialmente cierto para las características que tienen un solo lado especí fi cationes, tales como resistencia a la rotura)? En tal
situación, el promedio del proceso basado en datos históricos puede tener que ser utilizado.
Tabla Z-MR
cuando los individuos ' los datos se obtienen en la característica de calidad, un enfoque es construir un gráfico de control
estandarizado para los individuos ( Z- gráfico) y un gráfico de movimiento de gama (MR). El valor normalizado viene dada por
valor individual media proceso

Z ?? ?? 7-40 ??
proceso de desviación estándar
El rango de movimiento se calcula a partir de los valores normalizados utilizando una longitud de tamaño 2. Dependiendo de
cómo cada grupo (parte o producto) es de fi Ned, la desviación estándar proceso para grupo yo se estima por
SEÑOR yo
σ yo ?? ?? 7-41 ??
re 2
donde MR yo representa el rango de media móvil para el grupo yo y re 2 es un factor de gráfico de control encontrado fromAppendix
A-7. Minitab proporciona varias opciones para seleccionar el cálculo de la processmean y desviación estándar del proceso. Para
cada grupo (parte o producto), themean de theobservations en ese couldbeusedas grupo anestimateof la processmean para ese
grupo. Como alternativa, los valores históricos de las estimaciones pueden especificarse fi ed como una opción.
Cartas de control para series cortas de producción 331
En la estimación de la desviación estándar proceso para cada grupo (parte o producto), Minitab proporciona opciones para de fi grupos
Ning como sigue: por carreras; por partes, en los que todas las observaciones de la misma parte se combinan en un grupo; constante
(combinar todas las observaciones para todas las partes en un grupo); y con respecto al tamaño (transformthe de datos original tomando
el logarithmand natural, entonces se combinan todos en un solo grupo).
La opción relativa-a-tamaño asume que la variabilidad aumenta con la magnitud de la característica de calidad. La
transformación logaritmo natural estabiliza la varianza. Una estimación común ( σ) del proceso se obtiene la desviación
estándar de los datos transformados. los constante opción que piscinas todos los datos asume que la variabilidad asociada con
todos los grupos es el mismo, lo que implica que el producto o parte typeor sizehas característicos no en Florida uencia. Esta
opción se debe utilizar sólo si hay suficiente información para justificar la suposición. Se produce una sola estimación ( σ) de la
desviación estándar proceso común. La opción de poolingbyparts asume que todas las carreras de una parte en particular
tienen la misma variabilidad. Se produce una estimación ( σ yo) de la desviación estándar proceso para cada grupo parte.
Finalmente, la opción de puesta en común por parte corre asume que la variabilidad puede cambiar de una ejecución a otra.
Se produce una estimación de la desviación estándar proceso para cada carrera, de forma independiente.
Ejemplo 7-6 Los datos sobre los ciclos de producción cortos en los diámetros de cuatro partes (A, B, C, y D) se muestran en la
Tabla 7-5. Se cree que los procedimientos de fabricación de las cuatro partes tienen diferentes variabilidades. Desde partes
aremanufacturedbasedondemand, que no se producen necesariamente en el mismo plazo. Construir un gráfico de control
apropiado y comentarios sobre el proceso.
Solución Una hoja de trabajo se crea en Minitab utilizando los datos proporcionados. Haga clic en Stat> Gráficos de Control> Variables
Gráficos de Particulares> Z MR. En variables, introducir el número de columna o nombre de la variable, Diámetro en este caso. En indicador
de parte, introducir el número de columna o nombre, en este caso número de pieza. Haga clic en Z-RM Opciones, seleccionar
Estimar. Debajo Cómo des fi grupos NE de observaciones, seleccionar Por partes. Seleccionar gama media móvil para estimar la
desviación estándar de cada grupo, con Longitud del rango de movimiento 2. Haga clic como DE ACUERDO. Figura 7-21 muestra el Z- gráfico
de MR para el diámetro de las piezas. Todos los puntos en los gráficos Z-MR se encuentran dentro de los límites de control sin patrones
inusuales. Tenga en cuenta que los límites de control superior e inferior en el Z- tabla son en 3 y 3, respectivamente, con la línea central a
0.
TABLA DE DATOS 7-5 en series cortas de producción
correr Parte Calidad correr Parte Calidad

Número Número Característica Número Número Característica
1 UNA 30 5 segundo 44
UNA 25 segundo 41
UNA 28 segundo 45
2 segundo 42 6 re 35
segundo 40 re 32
3 UNA 31 re 33
UNA 29 7 segundo 43
4 do 54 segundo 45
do 56 segundo 40
do 53 segundo 42
FIGURA 7-21 gráfico de Z-MR para diámetro.
7-8 OTROS GRAFICOS DE CONTROL
En las secciones anteriores hemos examinado los gráficos de control de uso común. Ahora nos centraremos en varios otros do ontrol
gráficos. Estas cartas son especí fi c para ciertas situaciones. Los procedimientos para la construcción X- y R- cartas y la
interpretación de sus patrones se aplican a estos gráficos, así, por lo que no se repiten aquí.
Gráfico de control Suma acumulativa para el Proceso Mean
En los gráficos de control Shewhart tales como la X- y R- gráficos, un punto trazado representa la información correspondiente a solamente
esa observación. No utiliza la información de OBSERVA ciones anteriores. Por otro lado, una carta de suma acumulativa, generalmente
llamado gráfico CUSUM, utiliza información fromall de las muestras anteriores mediante la visualización del acumulativa sumof la
desviación de los valores de la muestra (por ejemplo, la media de la muestra) de una especificación fi valor objetivo ed.
La suma acumulada en el número de muestras metro es dado por
metro
S metro ?? ?? X yo μ 0 ?? ?? 7-42 ??
yo ?? 1
dónde X yo es decir la muestra para la muestra yo y μ 0 es la media objetivo del proceso.

Cusumcharts aremore eficaz que los gráficos de control Shewhart en la detección de cambios relativamente pequeños en el
processmean (ofmagnitude 0: 5 σ a alrededor de 2 σ). Acusumchart utiliza la información

X X
a partir de muestras anteriores, por lo que el efecto de un pequeño cambio es más pronunciado. Para situaciones en las que el tamaño de la
muestra norte es 1 (por ejemplo, cuando cada parte IsMeasured automáticamente por una máquina, en), el gráfico CUSUM se adapta mejor que un
gráfico de control Shewhart para determinar los cambios en la media del proceso. Debido a la Magni fi efecto ed de pequeños cambios, los cambios
de proceso se encuentran fácilmente mediante la localización del punto donde la pendiente de patrón cusum trazado cambia.
Hay algunas desventajas en el uso de gráficos CUSUM, sin embargo. En primer lugar, debido a que el diagrama de suma acumulada está
diseñado para detectar pequeños cambios en la media del proceso, que puede ser lento para detectar grandes
OTROS GRAFICOS DE CONTROL 333
cambios en los parámetros del proceso. Debido a que un criterio de decisión está diseñado para Dowell bajo una especificación fi c
situación no significa que se llevará a cabo igualmente bien bajo diferentes situaciones. Detalles onmodifying el proceso de decisión
para un cusumchart para detectar grandes cambios se puede encontrar en Hawkins (1981, 1993), Lucas (1976, 1982), y Woodall y
Adams (1993). En segundo lugar, la tabla de suma acumulada no es una herramienta eficaz para analizar el rendimiento histórico de
un proceso para ver si está en control o para que esté en control. Por lo tanto, estos gráficos se utilizan normalmente para procesos
bien establecidos que tienen un historial de ser estable.
Recuérdese que para los gráficos de control Shewhart los puntos individuales se supone que son uncorre lated. cumula TI cinco valores son,
sin embargo, relacionados entre sí. Es decir, S yo 1 y S yo están relacionados porque
S yo ?? S yo 1 ?? ?? X yo μ 0 ??. Por tanto, es posible para un gráfico cusum exponer carreras u otra
patrones, como resultado de esta relación. Las reglas para la descripción de las condiciones fuera de control en base a los patrones de
parcela de Shewhart por lo tanto no chartsmay ser aplicables a cusumcharts. Por último, la formación de los trabajadores de usar y
mantener los gráficos CUSUM puede ser más costoso que para los gráficos de Shewhart.
tablas de suma acumulativa pueden modelar la proporción de elementos no conformes, el número de no conformidades, los
valores individuales, el rango de la muestra, la desviación estándar de la muestra, o la muestra significan. En esta sección nos
centramos en su capacidad para detectar cambios en la media del proceso.
Supongamos que el valor objetivo de un processmeanwhen el proceso está bajo control es denotedby
μ 0. Si la media del proceso se desplaza hacia arriba a un valor más alto μ 1, una deriva hacia arriba se puede observar en el valor de la cusum S metro
dada por la ecuación. (7-42), ya que el antiguo valor menor μ 0 todavía se utiliza en la ecuación a pesar de que la X- valores son ahora más alto.
Del mismo modo, si la media del proceso se desplaza a un valor menor μ 2, un trendwill hacia abajo puede observar en S metro. La tarea consiste en
la tendencia en determinewhether S metro es signi fi no puede de manera que podemos concluir que un cambio ha tenido lugar en la media del
proceso.
En la situación en la que las observaciones individuales ( n = 1) se recogen de un proceso para

supervisar el proceso de significar, eq. (7-42) se convierte en
metro
S metro ?? ?? X yo μ 0 ??
yo ?? 1 ?? 7-43 ??
?? ?? X metro μ 0 ?? ?? S metro 1
dónde S 0 = 0.
Método tabular
Nos deja fi en primer lugar considerar el caso de las observaciones individuales ( X yo) siendo extraída de un proceso con media μ 0 y
standarddeviation σ. Cuando el proceso está bajo control, se supone que X yo ~ norte ?? μ 0; σ ??.
En el método de cusum tabular, desviaciones por encima μ 0 se acumulan con una estadística S +, y las desviaciones por debajo μ 0 se
acumulan con una estadística S . Estas dos estadísticas, S + y S , cusums están etiquetados de un solo lado superior e inferior,
respectivamente, y están dadas por
S ?? ?? máx ?? 0; X yo
metro
μ ??
?? 0 K ?? ?? S ?? ??
metro 1
?? 7-44 ??
S metro
?? máx ?? 0; ?? μ 0 K ?? X yo ?? S metro 1
?? ?? 7-45 ??
donde S 0 + = S 0 = 0.
El parámetro K en las ecuaciones. (7-44) y (7-45) se denomina holgura permitida en el proceso y por lo general se elige como a
medio camino entre el valor objetivo μ 0 y el valor desplazado μ 1 que estamos interesados en la detección. Expresando el cambio ( δ) en
unidades de desviación estándar, tenemos
δ ?? j μ 1 μ 0 j = σ, llevando a
δ j μ1 μ0 j
K ?? σ ?? ?? 7-46 ??
2 2
+
Por lo tanto, el examen de las ecuaciones. (7-44) y (7-45), que fi nd que S metro y S metro acumular desviaciones de
el valor objetivo μ 0 que son mayores que K. Ambos se ponen a cero al pasar a ser negativo. En la práctica, K = k σδ, dónde k está
en unidades de desviación estándar. En eq. (7-46), k = 0.5. Un segundo parámetro en el proceso de toma de decisiones usando
cusums es la intervalo de decisión
H, para determinar las condiciones fuera de control. Al igual que antes, nos propusimos H = h σ, dónde h es en la desviación estándar units.When el
+
valor de S metro o S metro parcelas más allá H, el proceso se considerará
estar fuera de control. Cuando k = 0,5, un valor razonable de h es 5 (en unidades de desviación estándar), que asegura una pequeña
longitud promedio de carreras para los turnos de themagnitude de una desviación estándar que se desea detectar (Hawkins 1993). Se
puede demostrar que para un valor pequeño de β, la probabilidad de un error de tipo II, el intervalo de decisión está dada por
σ 2 En ?? α ??
H ?? ?? 7-47 ??
μ1 μ0
Por lo tanto, si promedios de la muestra se utilizan para construir cusums en los procedimientos anteriores, σ 2 será reemplazado por σ 2 / norte en
eq. (7-47), suponiendo muestras de tamaño norte.
Para determinewhen el cambio en el processmeanwasmost propensos a haber tenido lugar, wewill controlar dos contadores, N
+ y norte . El contador N + toma nota del número de periodos consecutivos que S metro
+
es superior a 0, mientras que norte seguimiento del número de periodos consecutivos que S metro está por encima de cero. Cuando se
detecta una condición fuera de control, uno puede contar hacia atrás desde este punto hasta el período de tiempo cuando el cusum estaba por
encima de cero a fi nd el fi periodo en el que en primer lugar el proceso probablemente cambió. Una estimación de la nueva media proceso puede
obtenerse a partir de
S ??
metro
μ ?? μ 0 ?? K ?? Si S metro
?? > H ?? 7-48 ??
norte ??
o desde
S metro
μ ?? μ 0 KN Si S >metro
H ?? 7-49 ??
Ejemplo 7-7 En la preparación de un medicamento, el porcentaje de calcio es una característica queremos controlar.
Randomsamples de tamaño 5 se seleccionan, y el porcentaje promedio de calcio se encuentra. Los valores de datos de 15
muestras se muestran en la Tabla 7-6. A partir de datos históricos, la desviación estándar del porcentaje de calcio se estima
como 0,2%. El valor objetivo para el porcentaje promedio de contenido de calcio es 26,5%. Decidimos para detectar cambios
en el porcentaje promedio de contenido de calcio de 0,1%.
Solución aquí μ 0 = 26,5, μ 1 = 26.6, σ ?? 0: 2, y n = 5. Por lo tanto, ya son promedios de las muestras
pag
siendo monitoreado, σ X ?? 0: 2 = 5 ?? 0: 089. Ahora K = ( 26.6 26,5) /2=0.05, mientras k = 0,05 /
0,089 = 0,5618. Asumiendo que h = 5, el intervalo de decisión H = 5 (0,089) = 0,445. Tabla 7-7 muestra los valores calculados para S m
+, N +, S metro , y norte . Si deseamos detectar una tendencia al alza de la processmean, usando S metro
+ +
, nosotros fi nd que la fi timewhen primera S metro > H = 0,445 es al número de la muestra 5.
TABLA 7-6 Porcentaje promedio de calcio
promedio Percen t años promedio Percen t años

Muestra de calcio, X Muestra de calcio, X
1 25.5 9 26.4
2 26.0 10 26.3
3 26.6 11 26.9
4 26.8 12 27.8
5 27.5 13 26.2
6 25.9 14 26.8
7 27.0 15 26.6
8 25.4
Tenga en cuenta que, por m = 5, N + = 3. Estimamos que el desplazamiento hacia arriba en el promedio del proceso se produce entre las muestras 2
y 3. Una estimación de la nueva media del proceso es
01:25
μ ?? 26: 5 ?? 0:05 ?? ?? 26: 967 3
Por el contrario, si wewere interesado en la detección de desviaciones a la baja en el processmean utilizando los resultados de la
Tabla 7-7, se habría detectado en el fi primera muestra misma. Tenga en cuenta que
S 1 = 0.95> H = 0,445.
Una decisión similar se puede llegar a utilizar Minitab. Haga clic en Estadísticas> Gráficos de Control> Gráficos Tiempo
Ponderado> CUSUM. En la hoja de trabajo, se introdujeron todas las observaciones en una columna. Introduzca la ColumnNumber o
nombre, en este caso Calcio. Entrada Subgroupsizeas 1 y
Objetivo como 26,5. Haga clic en CusumOptions. Debajo parámetros, entrada para desviación estándar
el valor 0,089. Haga clic en Plan / Tipo, debajo Tipo de CUSUM seleccionar Unilateral. Debajo
Plan de CUSUM, entrada para h el valor 5,0 y para k el valor 0.5618, click DE ACUERDO. Figura 7-22 muestra los sumcharts
acumulativos de una cara usingMinitab. Las conclusiones extraídas de este fi gura son similares a los anteriores.
Tabla 7-7 sumas acumuladas tabular para Porcentaje promedio de calcio
Numero de
muestra X metro X metro 26:55 S ??

metro
N+ 26:45 X metro S metro norte
1 25.5 1.05 0 0 0.95 0.95 1

2 26.0 0.55 0 0 0.45 1.40 2
3 26.6 0.05 0.05 1 0.15 1.25 3
4 26.8 0.25 0.30 2 0.35 0.90 4
5 27.5 0.95 1.25 3 1.05 0 0
6 25.9 0.65 0.60 4 0.55 0.55 1
7 27.0 0.45 1.05 5 0.55 0 0
8 25.4 1.15 0 0 1.05 1.05 1
9 26.4 0.15 0 0 0.05 1.10 2
10 26.3 0.25 0 0 0.15 1.25 3
11 26.9 0.35 0.35 1 0.45 0.80 4
12 27.8 1.25 1.60 2 1.35 0 0
13 26.2 0.35 1.25 3 0.25 1.25 1
14 26.8 0.25 1.50 4 0.35 0 0
15 26.6 0.05 1.55 5 0.15 0 0
FIGURA 7-22 De un solo lado tablas de sumas acumuladas de porcentaje medio de calcio.
Método V-Mask
En el enfoque V-máscara, una plantilla conoce como una V-máscara, propuesto por Barnard (1959), se utiliza para determinar
un cambio en la media del proceso a través del trazado de sumas acumuladas. Figura 7-23 muestra una V-máscara, que tiene
dos parámetros, la distancia plomo re y el ángulo θ
de eachdecision linewith respecto a la horizontal. THEV-máscara se posiciona de tal manera que el punto PAG
coincide con el último valor trazado de la suma acumulada y la línea OP es paralela al eje horizontal. Si los valores trazados
anteriormente están dentro de los dos brazos de la V-máscara - es decir, entre la línea de decisión superior e inferior de la
línea de decisión - el proceso se juzga a estar en control. Si cualquier valor de la suma acumulada se encuentra fuera de los
brazos de la V-máscara, el proceso se considera fuera de control.
En la figura 7-23, observe que un fuerte cambio hacia arriba en la media del proceso es visible para la muestra 5. Este cambio tiene
sentido dado el hecho de que el valor de suma acumulada para la muestra 1 está por debajo de la línea de decisión inferior, lo que indica
un fuera-de-control situación. Del mismo modo, la presencia de un valor trazado por encima de la línea de decisión superior indica una
tendencia a la baja en la media del proceso.
Determinación de los parámetros V-Mask Los dos parámetros de un V-máscara, re y θ, se determinan BasedOn los niveles de riesgo
de que el tomador de decisiones iswilling de tolerar. Estos riesgos son los errores de tipo I y de tipo II descrito en el capítulo 6. La
probabilidad de una error de tipo I, α, es el riesgo de llegar a la conclusión de que un proceso está fuera de control cuando está
realmente en control. El probabilityof una error de tipo II, β, está fallando el riesgode todetect un cambio en theprocess p una rámetro y
llegando a la conclusión de que el proceso está bajo control cuando es realmente fuera de control. Dejar Δ X denotar la cantidad de
desplazamiento en t l proceso significa que queremos ser capaces de detectar y σ denotar la
X
desviación estándar de X. A continuación, considere la ecuación
ΔX
δ ?? ?? 7-50 ??
σX
FIGURA 7-23 V-máscara para la toma de decisiones con las cartas de suma acumulativa.
dónde δ representa el grado de cambio en la processmean, relativa a la desviación estándar de la media, que se desea
detectar. Entonces el distancia de plomo para el V-máscara está dada por
21β
re ?? En ?? 7-51 ??
δ2 α
Si la probabilidad de un error de tipo II, β, se selecciona para ser pequeño, entonces eq. (7-51) se reduce a
2
re ?? En ?? α ?? ?? 7-52 ??
δ2
los ángulo de línea de decisión con respecto a la horizontal se obtiene a partir
1
ΔX
θ ?? bronceado ?? 7-53 ??
2k
dónde k es un factor de escala que representa la proporción de una unidad de escala vertical a una unidad horizontal escala en la
parcela. El valor de k debe estar entre σ y 2 σ, con un valor preferido de
X
2 σ. X X
Una medida de un gráfico de control ' rendimiento s es la longitud promedio de carreras (ARL). (Nos discussedARL
inChapter 6.) Este valor representa el número promedio de puntos que deben registrarse antes de una condición de fuera de
control se indica. Para un gráfico de control Shewhart, si pag
representa la probabilidad de que un único punto caerá fuera de los límites de control, la longitud promedio de carreras está dada por
1
ARL ?? ?? 7-54 ??
pag
Para 3 σ límites en un Shewhart X- do h arte, el valor de pag es de aproximadamente 0,0026 cuando el proceso está en control. Por lo tanto, la ARL
para una X- control de exhibir tabla se encuentra
1
ARL ?? ?? 385 0:
0026
TABLA 7-8 suma acumulada de datos de contenido de calcio
Desviación de la Muestra Desviación de la Muestra
Media F Objetivo rom, Acumulativo Media F Objetivo rom, Acumulativo

Muestra, yo X yo metro 0 Suma, S yo Muestra, yo X yo metro 0 Suma, S yo
1 1.0 1.0 9 0.1 1.4

2 0.5 1.5 10 0.2 1.6
3 0.1 1.4 11 0.4 1.2
4 0.3 1.1 12 1.3 0.1
5 1.0 0.1 13 0.3 0.2
6 0.6 0.7 14 0.3 0.1
7 0.5 0.2 15 0.1 0.2
8 1.1 1.3
La implicación de esto es que, en promedio, si el proceso está bajo control, cada muestra de statisticwill 385a indica un estado fuera
de control. TheARL es generalmente más grande para un cusumchart que para la carta aShewhart. Por ejemplo, durante unos riesgos
cusumchartwithcomparable, es de alrededor de theARL
500. Por lo tanto, si el proceso está bajo control, en promedio, cada muestra de statisticwill número 500 indica una situación fuera de control, por lo
que habrá un menor número de falsas alarmas.
Ejemplo 7-8 Consulte Ejemplo 7-7 y los datos sobre el porcentaje medio de calcio de 15 muestras se muestran en la Tabla 7-6.
Construir un diagrama de suma acumulativa andmake una decisión de acuerdo con el método V-máscara.
Solución Como inExample7-7 se muestra, σ ?? 0: 089:XAhora, thedeviationof eachsamplemean,

X yo de la media de destino μ 0 = 26.5 se encuentra, followingwhich la suma acumulativa S yo es obtenido. Estos valores se muestran la
Tabla 7-8.UsingMinitab, haga clic en Estadísticas> Gráficos de Control> TimeWeightedCharts> CUSUM. Entrada Subgroupsize como
1, y Objetivo como 26.5.Clickon Opciones cusum. Debajo parámetros, entrada para desviación estándar el valor 0,089. Haga clic
en Plan / Tipo; debajo Tipo de CUSUM, seleccionar De dos caras. Debajo CUSUMPlan, entrada para h el valor de 5 y para k el valor
0.5618. Hacer clic DE ACUERDO. Figura 7-24 muestra el sumchart acumulativo utilizando una
FIGURA 7-24 gráfico de suma acumulativa utilizando V-máscara.

V-máscara. Cuando la V-máscara se centra en la muestra 5, tenga en cuenta que las muestras 1, 2, 3 y 4 están por debajo de la línea de decisión.
Llegamos a la conclusión de que el proceso está fuera de control.
El diseño de una carta de suma acumulativa para una especi fi ed ARL La longitud promedio de carreras puede ser utilizado como un
criterio de diseño de gráficos de control. Si un proceso está bajo control, la ARL debe ser largo, mientras que si el proceso está fuera de
control, el ARL debe ser corta. Recordar que δ es el grado de cambio en la media del proceso, en relación con t él desviación estándar de la
media de la muestra, que estamos interesados indetecting; es decir, δ ?? Δ X = σ. Dejar L ( δ) denotar thedesiredARLwhena cambio en la
X
processmean es del orden de δ. AnARLcurve es un gráfico de δ frente a su longitud de recorrido promedio correspondiente, L ( δ). Para
un proceso en el control, cuando δ = 0, un valor grande de L ( 0) es deseable, para un especí fi valor ed de δ, podemos tener un
valor deseable de L ( δ). Por lo tanto, dos puntos de la curva ARL, [0, L ( 0)] y [ δ, L ( δ)], son especí fi ed. La meta es fi nd los
parámetros cusumchart re y
θ que satisfaga estos objetivos deseables.
Bowker y Lieberman (1987) proporcionar una tabla (véase la Tabla 7-9) para la selección de los parámetros V-máscara re y
θ cuando el objetivo es reducir al mínimo L ( δ) para una dada δ. Se supone que el decisor tiene una específica fi valor ed de L ( 0)
en mente. Tabla 7-9 proporciona valores para
k = σ bronceado θ y re, y el valor mínimo de L ( δ) para una especificación fi ed δ. Utilizamos esta tabla en
X
Ejemplo 7-9.
Ejemplo 7-9 Supongamos que para un proceso de control que queremos una A R L 400. También decidimos para detectar cambios en la
media del proceso de magnitud 1: 5 σ - es decir Δ X ?? 1: 5 σ - lo que significa
X X
ese δ = 1.5. Encuentra los parámetros de un V-máscara para este proceso.
Tabla de selección 7-9 de acumulativas gráficas de control Sum Basado en Speci fi ed ARL
δ = Desviación del valor

L ( 0) = Se esperaba Run Length Cuando proceso está bajo control
objetivo
(desviaciones estandar) 50 100 200 300 400 500
0.25 ?? k = σ X ?? bronceado θ 0,125 0,195 0,248

re 47.6 46.2 37.4
L ( 0.25) 28.3 74.0 94.0
0.50 ?? k = σ X ?? bronceado θ 0.25 0.28 0.29 0.28 0.28 0.27
re 17.5 18.2 21.4 24.7 27.3 29.6
L ( 0.5) 15.8 19.0 24.0 26.7 29.0 30.0
0.75 ?? k = σ X ?? bronceado θ 0,375 0,375 0,375 0,375 0,375 0,375
re 9.2 11.3 13.8 15.0 16.2 16.8
L ( 0.75) 8.9 11.0 13.4 14.5 15.7 16.5
1.0 ?? k = σ X ?? bronceado θ 0.50 0.50 0.50 0.50 0.50 0.50
re 5.7 6.9 8.2 9.0 9.6 10.0
L ( 1.0) 6.1 7.4 8.7 9.4 10.0 10.5
1.5 ?? k = σ X ?? bronceado θ 0.75 0.75 0.75 0.75 0.75 0.75
re 2.7 3.3 3.9 4.3 4.5 4.7
L ( 1.5) 3.4 4.0 4.6 5.0 5.2 5.4
2.0 ?? k = σ X ?? bronceado θ 1.0 1.0 1.0 1.0 1.0 1.0
re 1.5 1.9 2.2 2.4 2.5 2.7
L ( 2.0) 2.26 2.63 2.96 3.15 3.3 3.4
Fuente: AH Bowker y GJ Lieberman, Estadísticas de ingeniería, 2ª ed., 1987. Reproducido con autorización de Pearson Education, Inc. Upper Saddle
River, Nueva Jersey.
Solución De la Tabla 7-9, por L ( 0) = 400 y δ = 1.5, tenemos
k = σ bronceado θ ?? 0:75
X
re ?? 4: 5
L ?? 1: 5 ?? ?? 5: 2
Si k, la relación de la escala vertical para la escala horizontal, se selecciona para ser 2 σ X, tenemos
2 bronceado θ ?? 0:75 o bronceado θ ?? 0: 375
El ángulo de la V-máscara es
θ ?? bronceado 1 ?? 0: 375 ?? ?? 20: 556 °
Ifwe sienten que 5,2 es un valor demasiado grande de L ( 1.5), tenemos que reducir el número promedio de puntos trazados que se necesita para fi primero
detectar un cambio en la media del proceso de magnitud 1: 5 σ. Actualmente, se necesitan

X
sobre 5.2points, onaverage, todetect un cambio de thismagnitude.Assume thatwe prefieren L ( 1.5) para ser inferior a 5,0. De la
Tabla 7-9, por δ = 1.5 y L ( 1.5) <5,0, podríamos elegir L ( 1.5) = 4,6, lo que corresponde a ?? k = σ ?? bronceado θ ?? 0:75, y d = 3.9.
Si k se elige para ser 2 σ, obtenemosX X
0:75
bronceado θ ?? ?? 0: 375 2
Por lo tanto, θ = 20.556 ° ( el mismo valor que antes) y d = 3,9 (un valor reducido). por
L ( 1.5) = 4,6, que es inferior a 5,0, hemos aumentado la sensibilidad de la tabla cusum para detectar cambios de
magnitud 1: 5 σ, pero al hacerlo, hemos reducido
X
el ARL para δ = 0 [es decir,
L ( 0)] para 200 a partir del valor anterior de 400. observación Así nowevery 200a, en promedio, se representa como un punto
fuera de control cuando el proceso es realmente en control.
La suma acumulada de Variabilidad del Proceso de Supervisión
gráficos CUSUM también se pueden usar para monitorizar la variabilidad del proceso como se comenta por Hawkins (1981). Asumiendo
que X yo ~ NORTE( μ 0, σ), el valor normalizado Y yo es obtenido fi como primera
Y i = ( X yo μ 0) / σ. Una nueva cantidad estandarizada (Hawkins 1993) se construye como sigue:
pj y yo j
0: 822
v yo ?? ?? 7-55 ??
0: 349
donde se sugiere que la v yo son sensibles tanto a la varianza y la media de los cambios. Para un proceso en-control, v yo se distribuye
aproximadamente NORTE( 0, 1). Dos cusums estandarizados de un solo lado se construyen de la siguiente manera para detectar
cambios de escala:
S ?? ?? máx ?? 0; v metro
metro
k ?? S ?? ??
metro 1
?? 7-56 ??
S metro
?? máx ?? 0; k v metro ?? S metro 1
?? ?? 7-57 ??
dónde S ?? ??
0
S ?? 0.0 Los valores de h y k son seleccionadas usando directrices similares a las
discutido en la sección sobre cusum para el proceso de mean.When los proceso aumenta la desviación estándar, los valores de S ??
en eq. (7-56) se incrementará. Cuando
metro
S ?? excede h, vamos a detectar una metro
fuera de control de condición. Del mismo modo, si la desviación estándar proceso disminuye, valores de S metro
incrementará.
Gráfico de media móvil de control
Como se mencionó anteriormente, norma cartas de control de Shewhart son bastante insensible a pequeños cambios, y las cartas suma
acumulativa son una forma de aliviar este problema. Un gráfico de control utilizando el método de media móvil es otra. Tales gráficos son
eficaces para la detección de cambios de pequeña magnitud en la media del proceso. los gráficos de control de media móvil también se
pueden utilizar en situaciones para las cuales el tamaño de la muestra es 1, por ejemplo, cuando las características del producto son medido
camente automati o cuando el tiempo para producir una unidad es larga. Cabe señalar que, por su propia naturaleza,
Los valores de media móvil están correlacionados.
Suponer que s amplio s de tamaño norte se recogen del proceso. Deja el fi primero t medias de la muestra se denotarán por X 1; X 2; X 3; . . .
; X t. ( Una muestra se toma para cada paso de tiempo.) El promedio móvil de ancho w ( es decir, w muestras) en el paso de tiempo t es
dado por
X t ?? X t 1 ?? ∙ ∙ ∙ ?? X tw ?? 1
METRO t ?? ?? 7-58 ??
w
En cualquier intervalo de tiempo t, themoving promedio se actualiza al dejar caer la media más antigua y añadiendo la nueva media. La
varianza de cada media de la muestra es
σ2
var X t ?? norte
dónde σ 2 es la varianza de la población de los valores individuales. La varianza de METRO t es
t
1
?? t??
var ?? METRO var X yo
2
w yo ?? tw ?? 1
t
1 σ2
?? ?? 7-59 ??
2
w norte
yo ?? tw ?? 1
σ2
?? noroeste
Los límites de la línea central y de control para el gráfico de media móvil están dadas por
CL ?? X
σ
UCL ?? X ?? 3 pag noroeste
?? 7-60 ??
σ
LCL ?? X 3 pag noroeste
Fromeq. (7-60), podemos ver que a medida w aumenta, thewidthof los límites de control disminuye. Asi que, para detectar cambios de
magnitudes más pequeñas, mayores valores de w debe ser elegido. Para el período de puesta en marcha (cuando t <w), el promedio móvil
está dada por
t
X yo
METRO t ?? yo ?? 1 ; t ?? 1; 2; . . . ; w 1 ?? 7-61 ??
t
Los límites de control para este período son el inicio
3σ
pag ;
UCL ?? X ?? Nuevo Testamento t ?? 1; 2; ...; w 1
?? 7-62 ??
3σ
LCL ?? X pag ; t ?? 1; 2; ...; w 1
Nuevo Testamento
Dado que estos límites de control cambian en cada punto de muestra durante este startupperiod, una alternativa procedurewould ser el
uso de la ordinaria X- tabla para t <w y utilizar gráfico themoving de la media para
t w.
Ejemplo 7-10 La cantidad de un pigmento colorante en plástico de polipropileno, producido en lotes, es una variable de interés.
Para 20 muestras aleatorias de tamaño 5, la cantidad promedio de pigmento (en kilogramos) se muestra en la Tabla 7-10.
Construir un co de media móvil norte gráfico trol de anchura 6. El proceso tiene hasta este punto estado en el control con un
rango promedio R de 0,40 kg.
Solución Tabla 7-10 muestra los valores calculados para la media móvil METRO t basado en un ancho w de 6. Para
valores de t < 6, la media móvil se calcula usando eq. (7-61). por t 6,
METRO t se calcula usando eq. (7-58). También se muestran en la Tabla 7-10 son los límites de control inferior y superior para el
gráfico de media móvil. A fi nd estos límites, eq. (7-62) se utiliza para t < 6, y eq. (7-60) se utiliza para t 6. La media de los promedios
de la muestra es
20
Xt
t ?? 1 503: 2
X ?? ?? ?? 25:16
20 20
TABLA 7-10 Datos y Resultados para un gráfico de control-media móvil (kg)
Límites de control para METRO t
Muestra Muestra Media, X t Media móvil, METRO t LCL UCL
1 25.0 25.0 24.929 25.391

2 25.4 25.2 24.997 25.323
3 25.2 25.2 25.027 25.293
4 25.0 25.15 25.045 25.275
5 25.2 25.16 25.057 25.263
6 24.9 25.12 25.066 25.254
7 25.0 25.12 25.066 25.254
8 25.4 25.12 25.066 25.254
9 24.9 25.07 25.066 25.254
10 25.2 25.10 25.066 25.254
11 25.0 25.07 25.066 25.254
12 25.7 25.20 25.066 25.254
13 25.0 25.20 25.066 25.254
14 25.1 25.15 25.066 25.254
15 25.0 25.17 25.066 25.254
dieciséis 24.9 25.12 25.066 25.254
17 25.0 25.12 25.066 25.254
18 25.1 25.02 25.066 25.254
19 25.4 25.08 25.066 25.254
20 25.8 25.20 25.066 25.254
Ya que R ?? Doce y cuarenta, una estimación de la desviación estándar proceso es
σ ?? R doce??
y cuarenta ?? 0: 172
re 2 2: 326
Para calcular los límites de control, considere la muestra 3:
σ 0: 172
UCL ?? X ?? 3 pag ?? 25:16 ?? 3 pag ?? 25: 293
Nuevo Testamento ?? 5 ???? 3 ??
σ 0: 172
LCL ?? X 3 pag ?? 25:16 3 pag ?? 25: 027
Nuevo Testamento ?? 5 ???? 3 ??
Para las muestras 6 - 20, los límites de control suspender el mismo; el LCL es 25.066 kg y el UCL es
25.254 kg. Figura 7-25 muestra un gráfico de las medias móviles y los límites de control. El promedio móvil para 18plots
muestra belowthe límite inferior de control, lo que indica que la drifteddownward processmeanhas. Las causas especiales
shouldbe investigados por esta condición fuera de control y medidas correctivas apropiadas deben ser tomadas.
Exponencial de media móvil o geométricos Chart Control-Moving Media Ponderada
El precedente re ISCUSIÓN mostró que un gráfico de media móvil se puede utilizar como una alternativa a un ordinario X- tabla para
detectar pequeños cambios en los parámetros del proceso. La media móvil se reunió h od es ba s camente un esquema de promedio
ponderado. para la muestra t, las medias de la muestra
X t; X t 1; . . . ; X tw ?? 1 son cada ponderada por 1 / w [ ver eq. (7-58)], mientras que la muestra medios para pasos de tiempo de menos de t
w + 1 son ponderados por cero. A lo largo de líneas similares, un gráfico puede ser construido sobre la base de diferentes pesos
para las observaciones anteriores. Más peso se puede asignar a la observación más reciente, con los pesos decreciente para
observaciones menos recientes. Un gráfico de control de media móvil geométrica, también conocido como un gráfico
exponencialmente ponderada de media móvil (EWMA), se basa en esta premisa. Una de las ventajas
FIGURA 7-25 De media móvil gráfico de control.

de un gráfico geometricmoving-media sobre carta amoving-media es que el primero ismore eficaz en la detección de pequeños
cambios en los parámetros del proceso. La media móvil geométrica en el paso de tiempo t es dado por
sol t ?? rX t ?? ?? 1 r ?? sol t 1 ?? 7-63 ??
dónde r es aweightingconstant (0 < r 1) y sol 0 es X. Byusingeq. (7-63) varias veces, weget

2
sol t ?? r X t ?? r ?? 1 r ?? X t 1 ?? r ?? 1 r ?? sol t 2
2 t
?? 7-64 ??
?? rX t ?? r ?? 1 r ?? X t 1 ?? r ?? 1 r ?? X t 2 ?? ∙ ∙ ∙ ?? ?? 1 r ?? sol 0
La ecuación (7-64) muestra que el peso asociado con el yo º medio desde t ?? X t yo ?? es

r ( 1 r) yo. Los pesos disminuyen geométricamente a medida que la media de la muestra se vuelve menos reciente. El sumof todos
theweights es 1. Considere, por ejemplo, , t que caso forwhich r = 0.3. Esto implica que, en el cálculo de sol t, la última media de la
muestra ?? X t ?? tiene un peso de 0.3, la siguiente observación más reciente ?? X t 1 ?? tiene un peso de (0.3) (1 0.3) = 0,21, la siguiente
observación ?? X t 2 ?? tiene un peso de 0,3 (1 0.3) 2 = 0,147, y así sucesivamente. Aquí, sol 0 tiene un peso de (1 0.3) t. Desde estos pesos
parecen disminuir exponencialmente, eq. (7-64) describe lo que se conoce como el m ponderado exponencialmente o vin sol -afirmar una
modelo GE.
Si los samplemeans X 1; X 2; X 3; :::; X t 1 se supone Tobe independiente de entre si y si la desviación estándar de la

población es σ, la varianza de sol t es dado por
σ2 r
var ?? sol t ?? ?? 1 ?? 1 r ?? 2 t ?? 7-65 ??
norte 2 r
Para valores grandes de t, la desviación estándar de sol t es
pag σ2 r
σ sol ?? var ?? sol t ?? ?? norte 2
r
Los límites de control superior e inferior son
r
UCL ?? X ?? 3 σ
?? 2 r ?? norte
?? 7-66 ??
r
LCL ?? X 3 σ
?? 2 r ?? norte
Para valores pequeños de t, los límites de control se encuentran utilizando eq. (7-65) para ser
r
UCL ?? X ?? 3 σ 1 ?? 1 r ?? 2 t
norte ?? 2 r ??
r
LCL ?? X 3 σ 1 ?? 1 r ?? 2 t
norte ?? 2 r ?? ?? 7-67 ??
Un gráfico de control de media móvil geométrica se basa en un concepto similar a la de una tabla de media móvil.
Al elegir un conjunto adecuado de pesos, sin embargo, donde la reciente
medias de la muestra se ponderan más fuertemente, se incrementa la capacidad de detectar pequeños cambios en los parámetros del
proceso. Si el factor de peso r se selecciona como
2
r ?? ?? 7-68 ??
w ?? 1
dónde w es el media móvil palmo, el método de media móvil y el método de media móvil geométrica son
equivalentes. Hay instrucciones para seleccionar el valor de r.
Si nuestro objetivo es detectar pequeños cambios en los parámetros del proceso tan pronto como sea posible, utilizamos un valor
pequeño de r ( decir, 0,1). Si utilizamos r = 1, el gráfico de media móvil geométrica se reduce a la carta estándar Shewhart para la media.
Ejemplo 7-11 Consulte Ejemplo 7-10 con respecto a la cantidad de un pigmento colorante en plástico de polipropileno. Tabla
7-11 da los promedios de la muestra para 20 muestras de tamaño 5. Construir un gráfico de control de media móvil
geométrica usando un factor de ponderación r de 0,2.
Solución Para los datos de la Tabla 7-11 la media de los promedios de la muestra es
503: 2
X ?? ?? 25: 160 20
Ya que R se da como 0,40 en el Ejemplo 7-10, la desviación estimada estándar proceso es
R doce y cuarenta
σ ?? ?? ?? 0: 172
re 2 2: 326
TABLA 7-11 Datos y Resultados para un geométricos Chart Control-media móvil (kg)
Límites de control para
media geométrica
Muestra Movimiento geométrica
Muestra Promedio, X t Promedio, sol t LCL UCL
1 25.0 25.128 25.114 25.206

2 25.4 25.182 25.101 25.219
3 25.2 25.186 25.094 25.226
4 25.0 25.149 25.090 25.230
5 25.2 25.159 25.087 25.233
6 24.9 25.107 25.086 25.234
7 25.0 25.086 25.085 25.235
8 25.4 25.149 25.084 25.236
9 24.9 25.099 25.084 25.236
10 25.2 25.119 25.084 25.236
11 25.0 25.095 25.083 25.237
12 25.7 25.216 25.083 25.237
13 25.0 25.173 25.083 25.237
14 25.1 25.158 25.083 25.237
15 25.0 25.127 25.083 25.237
dieciséis 24.9 25.081 25.083 25.237
17 25.0 25.065 25.083 25.237
18 25.1 25.072 25.083 25.237
19 25.4 25.138 25.083 25.237
20 25.8 25.270 25.083 25.237
La media móvil geométrica para la muestra 1 utilizando eq. (7-63) es (para sol 0 ?? X)
sol 1 ?? rX 1 ?? ?? 1 r ?? sol 0
?? ?? 0: 2 ???? 25: 0 ?? ?? ?? 1 0: 2 ???? 25:16 ?? ?? 25: 128
Las medias móviles geométricas restantes se calculan de manera similar. Estos valores se muestran en la Tabla 7-11. Los
límites de control para la muestra 1 se calculan utilizando eq. (7-67):
0: 2
UCL ?? 25: 160 ?? ?? 3 ???? 0: 172 ?? 1 ?? 1 0: 2 ?? 2
?? 5 ???? 2 0: 2 ??
?? 25: 206
0: 2
LCL ?? 25: 160 ?? 3 ???? 0: 172 ?? 1 ?? 1 0: 2 ?? 2
?? 5 ???? 2 0: 2 ??
?? 25: 114
cálculos similares se llevan a cabo para las muestras restantes. Para valores grandes de t
(decir, t = 15), los límites de control se encuentran mediante el uso eq. (7-66):
0: 2
UCL ?? 25: 160 ?? ?? 3 ???? 0: 172 ??
?? 2 0: 2 ???? 5 ??
?? 25: 237
0: 2
LCL ?? 25: 160 ?? 3 ???? 0: 172 ??
?? 2 0: 2 ???? 5 ??
?? 25: 083
Figura 7-26 muestra un gráfico de este gráfico de control de media móvil geométrica. Nótese que las muestras 16, 17, y 18
están por debajo del límite de control inferior y que muestra de 20 parcelas por encima del límite de control superior. Las causas
especiales para estos puntos deben ser investigadas a fin de tener action.Note correctivas que, en themoving de la media tabla
inFigure 7-25 sample18plottedbelow
FIGURA 7-26 Geométrico gráfico de control de media móvil para la cantidad de pigmento colorante.
el límite inferior de control, pero las muestras 16, 17, y 20 estaban dentro de los límites de control. El gráfico de media móvil
geométrica (figura 7-26), que es un poco más sensible a pequeños cambios en los parámetros del proceso que la media móvil
de gráfico, identi fi ES Estos puntos adicionales como estar fuera de control.
modi fi Gráfico de control ed
En nuestras discusiones de todos los gráficos de control, se ha supuesto que el proceso de difusión (6 σ) está cerca y es de
esperar menos de la diferencia entre la especificación fi límites de cationes. Es decir, esperamos que 6 σ <( USL LSL). Ahora se
supone que el proceso natural se extendió de 6 σ es
signi fi cativamente menor que la diferencia entre la especificación fi límites de cationes: es decir, la relación de la capacidad del proceso =
(USL LSL) / 6 σ >> 1. Figura 7-27 dep yo cts esta situación.
Hasta ahora, la especificación fi límites de cationes no se han colocado en X- gráficos. Una razón para esto es que la especificación fi límites de
cationes corresponden a la conformidad de los elementos individuales. Si se traza la distribución de artículos individuales , yo tmakes sentido
específico showthe fi límites de cationes en la X- gráfico, pero un gráfico de control para la media X se ocupa de los promedios, no valores
individuales. Por lo tanto, el trazado de la especificación fi límites de cationes onan X- carta no es apropiado. para Amodi fi gráfico edcontrol, sin
embargo, la especificidad fi se muestran los límites de cationes.
Nuestro objetivo en este caso es determinar los límites en el proceso significa que la proporción de elementos no conformes no
exceda de un valor deseable δ. El foco no está en la detección del estado estadístico de control, debido a que un proceso puede
deriva fuera de control y aún producir piezas que se ajustan a especí fi cationes. De hecho, se supone que la variabilidad del proceso
se encuentra en un estado de
estadísti do de control al. Una estimación de la desviación estándar proceso σ se obtiene fromeither la media ( R) del R- gráfico
o la media ( s) del s- gráfico. Además, se supone que la distribución de los valores individuales es normal y que un
cambio en la media proceso se puede realizar sin mucho dif fi cultad. Nuestro objetivo en la construcción de una
modificación fi gráfico de control ed es determinar si el proceso significa μ está dentro de ciertos límites aceptables, tales
que la proporción de elementos no conformes no exceda el valor elegido δ.
FIGURA 7-27 Proceso con una relación de capacidad mucho mayor que 1.
FIGURA 7-28 Determinación de modi fi ed límites del gráfico de control.
Dejar ' s consideran Figura 7-28a, que muestra una distribución de los valores individuales en dos medios diferentes:
uno el allowablemean más bajo ( μ L) y el otro el más alto allowablemean ( μ T). Supongamos que es theprocess
standarddeviation σ. Si thedistributionof valores individuales es normal, y mucho z δ denotar el valor normal estándar que
corresponde a un área de la cola de δ. Por el de fi nitionof un valor standardnormal, z δ representa thenumber de
standarddeviations que LSL es de μ L y que es de la USL μ U. Por lo que la distancia entre LSL y μ L es z δ σ, que es también
la misma que la distancia entre USL y μ U. Los límites dentro de los cuales la media proceso debe estar contenida de
manera que el no conforme fracción no exceda δ son μ L μ μ U.
De la figura 7-28a,
μ L ?? LSL ?? z δ σ; μ T ?? USL zδ σ ?? 7-69 ??
Supongamos que una probabilidad de error de tipo I de α esta elegido. Los límites de control se colocan de tal manera que la
probabilidad de un error de tipo I es α, como se muestra en la figura 7-28b. Los límites de control se colocan en cada extremo para mostrar
que la distribución de muestreo de la media de la muestra puede variar en todo el rango. Figura 7 -28b muestra la distribución de los
medios de muestra. Dado el muestreo

pag
distribución de X, con una desviación estándar σ ?? σ = norte, los límites de control superior e inferior
X
como se muestra en la figura 7-28b son
zα σ
UCL ?? μ T ?? pag norte
?? 7-70 ??
zα σ
LCL ?? μ L pag norte
Mediante la sustitución de μ L y μ T, se obtienen las siguientes ecuaciones:
zα
UCL ?? USL zδ pag σ
norte
?? 7-71 ??
zα
LCL ?? LSL ?? z δ pag σ
norte
Si la desviación estándar del proceso σ se debe estimarse a partir de una R- tabla, a continuación, R = d 2 se sustituye por σ en eq.
(7-71) .Alternatively, si σ es Tobe Froman estimado s- gráfico, s = c 4 se utiliza en lugar de σ en eq. (7-71).
Ejemplo 7-12 El contenido de nitrógeno de una cierta mezcla de fertilizante es una característica de interés. muestras aleatorias de
tamaño 5 se seleccionan, y el porcentaje de contenido de nitrógeno se encuentra para cada uno. La media de la muestra X y el rango R se
muestran para 20 muestras de la Tabla 7-12. la especificación fi límites de cationes permiten valores a partir de 12 a 33%. Una tasa de
proceso de no conformidad de más de 1% es unacceptable.Wewant para construir 3 σ modi fi límites de control ED: es decir, limitswith un
tipo I tasa de error α de 0,0026.
Solución En primer lugar, la determinewhether variabilityof theprocess se incontrol.Using los datos en la Tabla 7-12,
39: 8
R ?? ?? 1:99 20
La línea central de la R- tabla es 1,99. Los límites de control para la R- tabla son
UCL R ?? re 4 R ?? ?? 2: 114 ???? 1:99 ?? ?? 4: 207 LCL R ?? re 3 R ??
?? 0 ???? 1:99 ?? ?? 0
Bychecking los rangevalues, nos fi nd que thevariability es incontrol.Next, calculamos las modi fi límites de control ed.
por α = 0,0026, las tablas normales estándar muestran que z α es 2,79. por
δ = 0,01, nos fi nd que z δ = 2.33. Una estimación de la desviación estándar proceso σ es
R 1:99
σ ?? ?? ?? 0: 856
re 2 2: 326
TABLA 7-12 muestra los valores promedio y el rango para el porcentaje de contenido de nitrógeno
Muestra Distancia, Muestra Distancia,
Muestra Promedio, X R Muestra Promedio, X R
1 14.8 2.2 11 25.0 2.1

2 15.2 1.6 12 16.4 1.8
3 16.7 1.8 13 18.6 1.5
4 15.5 2.0 14 23.9 2.3
5 18.4 1.8 15 17.2 2.1
6 17.6 1.9 dieciséis 16.8 1.6
7 21.4 2.2 17 21.1 2.0
8 20.5 2.3 18 19.5 2.2
9 22.8 2.5 19 18.3 1.8
10 16.9 1.8 20 20.2 2.3
la modi fi límites de control ED son
zα
UCL ?? USL zδ pag σ
norte
?? 33 02:33 2:79 pag ?? 0: 856 ?? ?? 32: 074

5
zα
LCL ?? LSL ?? z δ pag σ
norte
2:79
?? 12 ?? 02:33 pag ?? 0: 856 ?? ?? 12: 926
5
Por lo tanto, los valores promedio de la muestra se muestran en la Tabla 7-12 están dentro de los límites de control. Todos los valores son
muy por debajo del límite de control superior y están más cerca del límite de control inferior. El valor más cercano al límite de control inferior es
de 14,8%. Por lo tanto, el proceso está en condiciones de cumplir con los estándares deseados.
Gráfico de control de aceptación
En la discusión precedente hemos descrito un procedimiento para la obtención de la modificación fi límites de control ed dado el
tamaño de la muestra norte, la proporción no conforme δ, y el nivel aceptable de probabilidad de error de tipo I, α. En esta sección se
discuten un procedimiento para calcular los límites del gráfico de control cuando se conoce el tamaño de la muestra y cuando
tenemos una especí fi nivel ed de proporción no conforme ( γ) que deseamos para detectar con una probabilidad de (1 β). Tal un gráfico
de control se conoce como una gráfico de control de aceptación. Los mismos supuestos se hacen aquí como para modi fi gráficos de
control ed. Es decir, se supone que la propagación proceso inherente (6 σ) es mucho menor que la diferencia entre la especificación fi límites
de cationes, la variabilidad del proceso es el control, y la distribución de los valores individuales es normal.
Figura 7-29a muestra la distribución de los valores individuales y los lugares dudosos de la media del proceso
de modo que la no conforme proporción no excede el nivel deseable de
γ. A partir de la figura 7-29a tenemos
μ T ?? USL z γ σ; μ L ?? LSL ?? z γ σ ?? 7-72 ??
Figura 7-29b muestra la distribución de la media de la muestra y de los límites dentro de los cuales la mentira
processmeanmust para la probabilidad de detectar una proporción no conformidad de γ ser 1 β. A partir de la figura 7-29b tenemos
σ
UCL ?? μ T z β pag norte
σ ?? 7-73 ??
LCL ?? μ L ?? z β pag norte
Sustituyendo de eq. (7-72), obtenemos
zβ
UCL ?? USL z γ ?? pag σ
norte
?? 7-74 ??
zβ
LCL ?? LSL ?? z γ ?? pag σ
norte
Si una R- tabla se utiliza para controlar la variabilidad del proceso, σ es estimatedby R = d 2. Si una s- se utiliza gráfico, σ se estima por s
= c 4. Estas estimaciones se utilizan entonces en eq. (7-74).

FIGURA 7-29 Determinación de los límites del gráfico de control de aceptación.
Ejemplo 7-13 Consulte Ejemplo 7-12 y los datos de contenido de nitrógeno. Supongamos que la proporción de producto no conforme
es 3% andwewant para detectar una condición de fuera-de-control con una probabilidad de 0,95. Encuentra los límites del gráfico de
control de aceptación.
Solución Para este problema, γ = 0,03, 1 β = 0,95, LSL = 12%, USL = 33%. Desde el
tablas normales estándar, z 0.03 ' 1,88 y z 0,05 = 1.645. A partir del ejemplo 7-12, R ?? 1:99 y
n = 5. Tenemos
R 1:99
σ ?? ?? ?? 0: 856
re 2 2: 326
Los límites del gráfico de control de aceptación son
zβ
UCL ?? USL z γ ?? pag σ
norte
1: 645
?? 33 1:88 ?? pag ?? 0: 856 ?? ?? 30: 761
5
zβ
LCL ?? LSL ?? z γ ?? pag σ
norte
1: 645
?? 12 ?? 1:88 ?? pag ?? 0: 856 ?? ?? 14: 239
5
Ninguno de los promedios de las muestras son fuera de estos límites de control.
TABLA 7-13 Aplicaciones de gráficos de control para variables en el sector servicios
Característica de la calidad Tabla de control
El tiempo de respuesta para la correspondencia en una X y R (n < 10); X y s (n 10)

consultante fi rm o fi institución financiera Tiempo de
espera en un restaurante X y R (n < 10); X y s (n 10)

El procesamiento de los créditos que una compañía de seguros X y R (n < 10); X y s (n 10)
El tiempo de espera de haber instalado el cable X y R (n < 10); I y MR ( n = 1)
El tiempo de respuesta en una prueba de laboratorio en un hospital I y MR ( n = 1)
El uso de energía eléctrica o de gas sobre una base mensual Media móvil; EWMA
tiempo de ingreso en una unidad de cuidados intensivos I y MR ( n = 1)
grados de la presión arterial o el colesterol de un paciente I y MR ( n = 1)
a través del tiempo
Los principios ofmodi fi gráficos de control ED y aceptación gráficos de control canbe combinan para determinar un tamaño de la
muestra aceptable norte para niveles elegidos de δ, α, γ, y β. Igualando las expresiones para la UCL en las ecuaciones. (7-71) y
(7-74), tenemos
zα
USL zδ pag σ ?? USL z γ ?? z β pag σ
norte norte
cuyos rendimientos
2
z α ?? z β
norte ?? ?? 7-75 ??
zδ zγ
Algunos ejemplos de variables de control aplicaciones de gráfico en el sector de servicio se muestran en la Tabla 7-13. Tenga en
cuenta que el tamaño del subgrupo de los datos do ollected determinará, en muchos casos, el useof la X- MRch una rt (para individuos ' datos),
X y R ( cuando el tamaño del subgrupo es pequeño, por lo general menos de 10), y X y s ( cuando el tamaño del subgrupo es grande,
por lo general igual o mayor que 10).
7-9 GRAFICOS DE CONTROL ajustada al riesgo
En aplicaciones de cuidado de la salud, ciertos ajustes se hacen a la construcción de gráficos de control variables en función de la
variación en la gravedad de la enfermedad o el riesgo associatedwith pacientes de los que se recogen los datos y supervisados.
Cuando las cartas regulares control variable se han desarrollado para aplicaciones de fabricación o de servicio, un supuesto hecho
es que las unidades de la muestra son independientes e idénticamente distribuida cuando el proceso está en control. Sin embargo,
tal no es el caso cuando el seguimiento de las operaciones de atención médica. Por ejemplo, en el seguimiento de los resultados
quirúrgicos cardíacos, una medida de rendimiento del cirujano y el equipo asociado podría ser la mortalidad. Estos resultados están
en Florida uida no sólo por el nivel de rendimiento del cirujano y el apoyo teambut alsoby el riesgo severityof pre-operatorio inherente
al paciente. Además, dichos niveles de riesgo no necesariamente permanecen constantes de paciente a paciente. Por lo tanto,
surge la necesidad de crear gráficos de control ajustados por el riesgo que incorporan la gravedad pre-operatorio de riesgo asociado
con el paciente.
GRAFICOS DE CONTROL ajustada al riesgo 353
Además de las medidas de resultado como la mortalidad o morbilidad en los pacientes críticamente enfermos en unidades de
cuidados intensivos (UCI) o medidas similares para los pacientes sometidos a cirugía cardíaca, otra medida podría ser la duración
de la estancia en la UCI después de la cirugía cardiaca. Unos sistemas de estratificación fi cación de riesgo preoperatorio asociado
con los pacientes existe en la atención sanitaria. Tales sistemas suelen incorporar el uso de un modelo de regresión logística
(véase el capítulo 13) para predecir, por ejemplo, la mortalidad basada en un número de carac- carácter paciente. Un sistema de
estratificación de riesgo fi cación de los resultados quirúrgicos en cardiopatía adquirida es la Parsonnet puntuación (Geissler et al
2000;. Lawrence et al 2000;.. Parsonnet et al 1989). Esta escala incorpora las características del paciente tales como el género, la
edad, la obesidad, la presión arterial, la presencia de diabetes, nivel de colesterol, la historia familiar, enfermedad de la válvula
mitral, y fracción de eyección ventricular izquierda, entre otros. Las puntuaciones se extienden generalmente de 0 a 100, con
puntuaciones bajas representan menores riesgos. Otro sistema de puntuación utiliza la APACHE
(Fisiología aguda y crónica de Evaluación de Salud) puntuación. Esto se calcula usando las características del paciente tales
como la edad, la presión arterial, la frecuencia cardíaca, frecuencia respiratoria, nivel de sodio (suero), el nivel de potasio
(suero), creatinina, y recuento de glóbulos blancos, entre otros. El sistema APACHE ha sido re fi Ned lo largo de los años, con
el sistema APACHE III que mide la gravedad de la enfermedad a partir de 20 variables fisiológicas con las puntuaciones van
de 0 a 299 (Knaus et al. 1985, 1991). Un sistema de puntuación de cuarta generación APACHE IV se ha encontrado que
realizar bien en la predicción de la mortalidad en la UCI (Zimmerman et al 2006;. Keegan et al 2011.).
Suma acumulativa ajustada al riesgo (RACUSUM) Gráfico
Usando la tabla cusum regular, como se discutió anteriormente, una couldmonitor la acumulativa sumof el número de muertes
para cada paciente sucesiva propuesta por
do 0 ?? 0
?? 7-76 ??
do norte ?? do norte 1 ?? W norte; n> 1
dónde W norte denota el peso aplicado a la norte ésima observación, en este caso el resultado del associatedwith norte º
paciente. Aquí, W n = 1 si el norte º paciente muere y W n = 0 si el norte º paciente sobrevive. El control chartmay ser diseñado para
indicar si do n> h, dónde h es un límite seleccionado sobre la base de una tasa de falsas alarmas elegido o, equivalentemente,
un ARL en-control. El inconveniente de esta tabla tradicional suma acumulativa es que no tiene en cuenta la variación en el
riesgo preoperatorio de la mortalidad de paciente a paciente.
El sumchart acumulada ajustada al riesgo incorpora características de los pacientes sobre la base de alguna puntuación riesgo agregado,
tales como la puntuación Parsonnet o la puntuación APACHE. Usando una puntuación tal, el riesgo predicho de mortalidad se encuentra a
partir de un modelo de regresión logística y está dada por
Iniciar sesión ?? pag n = ?? 1 pag norte ???? ?? una ?? segundo RSC norte
dónde pag norte denota la mortalidad predictivo pre-operatorio para el paciente norte cuyo resultado global del riesgo viene
dado por RSC norte y una y segundo son parámetros estimados del modelo de regresión logística. La expresión anterior puede
ser re-expresa para estimar el riesgo predicho de mortalidad
pag norte ?? do ?? re RSC norte ?? 7-77 ??

El gráfico ajustada al riesgo pone a prueba en repetidas ocasiones la nula y la hipótesis alternativa propuesta por
H 0: odds ratio ?? R 0
H una : odds ratio ?? R una
El odds ratio es la relación entre la probabilidad de mortalidad a la probabilidad de supervivencia. Dos sumas acumuladas se
pueden calcular, uno para detectar aumentos en la tasa de mortalidad ( R a> R 0)
a través de un límite superior h + y el otro para detectar disminuciones en la tasa de mortalidad ( R un < R 0)
a través de un límite inferior h .
Denotemos do ?? y do como
norte
los sumvalues
norte
acumuladas superiores e inferiores. La ajustada al riesgo
función de peso ( W norte) para el paciente norte se utiliza en el cálculo de los valores de suma acumulativa ajustados al riesgo
correspondientes dadas como sigue (Steiner et al., 2000):
do ??
0 ?? do 0 ?? 0
do norte
??
?? máx ?? 0; do ?? norte 1 ?? W norte ?? ?? 7-78 ??
do norte ?? min ?? 0; do norte 1 W norte ??; norte 1
dónde
?? 1 pag norte ?? R 0 pag norte ?? R una

Iniciar sesión si el paciente muere
?? 1 pag norte ?? R una pag norte ?? R 0
W norte ?? ?? 7-79 ??
1 pag norte ?? R 0 pag norte
Iniciar sesión si el paciente sobrevive
1 pag norte ?? R una pag norte
Los valores de los límites de control, h + y h , se seleccionan basándose en valores elegidos de R 0, R una,
y los riesgos asociados de una falsa alarmand la probabilidad de un error tipo II. Las señales de tabla de si do ?? > h ?? o C <h . Con
el fin de
norte
comparar el rendimiento
norte
quirúrgico basado en pre-operatorio
predicción, R 0 puede ser elegido para ser 1. Para detectar un deterioro en el rendimiento, R una puede ser seleccionado, por ejemplo, como 2,
es decir, una duplicación de la razón de posibilidades. Por otra parte, para detectar una mejora en el rendimiento, R una puede ser seleccionado
para que sea menor que 1, por ejemplo, 0,5. Al seleccionar las funciones de suma acumulativa dadas por las ecuaciones. (7-78) y (7-79), la
barrera de absorción está en la línea cero de modo que el propio gráfico restablece cada vez que se alcanzó esta barrera.
Ajustada al Riesgo de Relación de Probabilidad Secuencial de prueba (RASPRT)
La prueba de relación de probabilidad secuencial ajustado de riesgo de reposición es bastante similar a la tabla de RACUSUM. La
hipótesis nula es que el riesgo es ofmortality accuratelypredictedby la ecuación de predicción de ajuste de riesgo elegido. En este
caso, se supone que pag norte, dada por la ecuación. (7-77) basado en una puntuación de riesgo agregado, es exacta. La hipótesis
alternativa es que la probabilidad de mortalidad es mejor predice una probabilidad diferente.
La estadística RASPRT está dada por
R 0 ?? 0
?? 7-80 ??
R norte ?? R norte 1 ?? W norte
donde el riesgo-adjustedweight para el paciente norte está dada por eq. (7-79). Los umbrales para la toma de decisiones se dan por
los límites mi y F. El límite superior mi se elige basándose en un nivel seleccionado de un error de tipo I, α ( falsos alarmrate), donde onemay
incorrectamente concluir, por ejemplo, una duplicación

de la tasa de mortalidad si no se R n> mi. Ambos límites están en Florida influida por los niveles elegidos α y β, la probabilidad de un error de
tipo II, y están dadas por
mi ?? 1 log β
α
?? 7-81 ??
β
F ?? Iniciar sesión
1α
Ajustada al Riesgo de media móvil (RAEWMA) Gráfico ponderado exponencialmente
El EWMAchart regulares introducedpreviously en las observaciones chapterweights basa en su fecha, a. Más peso
se asigna a la observación más reciente con los pesos decrecientes secuencialmente de una manera geométrica
para observaciones que se remontan en la historia.
En el riesgo-adjustedEWMAchart, el cálculo de la estadística de la cartografía es similar a la explicada anteriormente.
Esto viene dado por
EWMA norte ?? λ Y norte ?? ?? 1 λ ?? EWMA norte 1
dónde λ es la constante de ponderación y Y norte representa el resultado observado. Si el paciente sobrevive, Y n = 0, mientras que
es 1 si el paciente muere.
Sin embargo, los límites de control se basan en el ajuste del riesgo asociado con el diferente grado de gravedad de la
enfermedad de los pacientes. Como en el gráfico cusum ajustada al riesgo, la riskofmortalitymaybe predicho encontró froma
re-expresa regressionmodel logística, de la typegiven por eq. 7-77, en base a la puntuación de riesgo global del paciente. La línea
central para el paciente norte, mediante el ajuste de riesgo, viene dada por
EWMA norte ?? λ pag norte ?? ?? 1 λ ?? EWMA norte 1 ?? 7-82 ??
dónde λ es la constante de ponderación seleccionada (0 < λ 1) y pag norte se encuentra desde eq. (7-77). La ecuación (7-82) puede ser
re-expresa como
norte
nk norte
EWMA norte ?? λ ?? 1 λ ?? pag k ?? ?? 1 λ ?? EWMA 0; norte 1 ?? 7-83 ??
k ?? 1
donde, por EWMA 0, la estimación a partir del riesgo de mortalidad predicho, se puede utilizar el valor de pag 1.
Los límites de control de la carta EWMA ajustada al riesgo se pueden encontrar mediante el cálculo de la varianza estimada
de EWMA n:
norte
2 ?? nk ?? 2 norte
var ?? EWMA norte ?? ?? λ 2 ?? 1 λ ?? var ?? pag k ?? ?? ?? 1 λ ?? var ?? pag 1 ??
k ?? 1
Desde Var ( pag k) = pag k ( 1 pag k), k = 1, 2,. . . , norte, tenemos
norte
2 ?? nk ?? 2 norte
var ?? EWMA norte ?? ?? λ 2 ?? 1 λ ?? pag k ?? 1 pag k ?? ?? ?? 1 λ ?? pag 1 ?? 1 pag 1 ?? ?? 7-84 ??
k ?? 1
Suponiendo una aproximación normal, los límites de control ajustados al riesgo, utilizando las Ecs. (7-83) y (7-84), están dadas por
?? UCL norte; LCL norte ?? ?? ?? EWMA norte ?? ? z α = 2 var ?? EWMA norte ??; norte 1 ?? 7-85 ??
dónde z α / 2 es la variable normal estándar para una tasa de error de tipo I elegido de α.
El riesgo-adjustedEWMAchart es capaz de detectar cambios pequeños y graduales en la tasa de themortality. Además,
una elección apropiada del factor de suavizado λ basado en el cambio anticipado ayuda a la tabla RAEWMA para señalar
rápidamente en caso de un cambio.
Variable de vida ajustados Display (VLAD) Gráfico
Otra formonitoringmortality gráfico de control es theVLADchart que muestra la diferencia acumulada entre muertes
observadas y predichas representado frente al número de secuencia paciente. El número previsto de muertes incorpora la
gravedad de la enfermedad del paciente. Como se discutió previamente, una medida compuesta tal como la puntuación de
Parsonnet o la puntuación APACHE se puede usar para predecir el riesgo de mortalidad para un paciente usando un modelo
de regresión logística. La ecuación (7-77) muestra una forma reducida del modelo.
El gráfico VLAD es una forma de la gráfica de control suma acumulativa. Para cada operación realizada en un paciente
por el cirujano, la estadística gráfico acumula un valor igual al riesgo predicho, que representa la expectednumber de
muertes que incorpora thepatients ' severityof enfermedad, menos el resultado observado, lo que representa el número real
de muertes. La estadística representa las vidas salvadas netos cuando se ajusta por el paciente ' s riesgo preoperatorio de
forma acumulativa. Por lo tanto, para un cirujano que realiza en el nivel predicho de riesgo, la estadística se acercará el
valor de cero. Para aquellos que realizan a un nivel mejor que el previsto, como en Florida influenciadas por los pacientes ' nivel
de riesgo, un resultado positivo para scorewill theVLADstatistic. Por el contrario, para un cirujano no se realiza en el nivel
previsto, la estadística VLAD mostrará una tendencia a la baja y, finalmente, dar un valor negativo.
Supongamos que el riesgo predicho de mortalidad de los pacientes norte es dado por pag norte, como dado por la ecuación. (7-77). La estadística
para el paciente norte se obtiene como
W norte ?? pag norte o norte; norte 1 ?? 7-86 ??
dónde o n = 1 si el paciente norte muere y o n = 0 si thepatient sobrevive. Durante las operaciones de sequenceof, la suma acumulada de la
estadística VLAD después de la operación t es dado por
VLAD t ?? W nn ??
1
?? 7-87 ??
t
?? pag norte número total de muertes hasta t; t 1

norte ?? 1
Ejemplo 7-14 El predictedmortality de los pacientes sometidos a cirugía cardíaca en una UCI, en función de su puntuación
APACHE, se encuentra basado en un regressionmodel logística aplicado a pacientes durante un período de tres años. La Tabla
7-14 muestra la mortalidad pre-operatoria esperada de 20 pacientes recientes junto con el resultado observado después de la
cirugía, donde un valor de 0 indica que el paciente sobrevivió mientras que un valor de 1 indica que la muerte del paciente. Construir
una tabla acumulada ajustada al riesgo para la mortalidad de los pacientes y comentar la tendencia observada.
TABLA 7-14 predicho y mortalidad observada de pacientes de la UCI
Paciente Predicho Observado Paciente Predicho Observado

número ( norte) Mortalidad Mortalidad número ( norte) Mortalidad Mortalidad
1 0.35 0 11 0.54 0
2 0.25 0 12 0.68 0
3 0.40 0 13 0.52 0
4 0.48 1 14 0.70 0
5 0.60 0 15 0.85 0
6 0.52 0 dieciséis 0.82 0
7 0.68 0 17 0,76 0
8 0.86 0 18 0.80 0
9 0.80 1 19 0.74 0
10 0.82 0 20 0,72 0
Solución Los pesos ajustados al riesgo para cada paciente se encuentran en base a la pre-operativemortality predicho
usando eq. (7-79), en función del resultado real después de la cirugía. Aquí el valor de R 0 se elige para ser 1, indicando que el
modelo de hospital-desarrollado para la predicción de mortalidad es exacta. Elegimos para determinar si hay una mejora en el
rendimiento quirúrgico del equipo, es decir, R una, se elige para ser <1. En este ejemplo, seleccionamos R una a ser de 0,8, lo que
demuestra un grado elegido de mejora que queremos detectar. Basándose en los datos históricos a partir de un proceso en el
control, el valor de la cota, h , tendrá que ser seleccionado para un nivel elegido de la falsa-alarmrate, α. Este bedependent
valuewill en themodel que se utiliza topredict mortalidad basada en el paciente ' factores de riesgo s.
Tabla 7-15 muestra el riesgo-adjustedweight ( W norte) para aswell eachpatient como la mortalidad acumulada sumof ajustada al riesgo
usando la ecuación. (7-78). Aquí, do se computa desde que deseamos detectar una
norte
disminución de la mortalidad, es decir, una mejora en el rendimiento quirúrgico del equipo.

La figura 7-30 muestra un gráfico de la suma acumulada ajustada al riesgo de la mortalidad de los 20 pacientes recientes.
Una tendencia decreciente se observa con la excepción de dos puntos, que corresponden a los pacientes 4 y 9, en los que los
pacientes no sobreviven. En general, el rendimiento quirúrgico del equipo demuestra una mejora continua que indica que los
procedimientos adoptados parecen estar funcionando bien. El gráfico será la señal cuando C <h , dónde h es un límite inferior para
ser norte
determinada a partir de un proceso en el control con una tasa de falsas alarmas elegido.
TABLA 7-15 Peso del paciente ajustada al riesgo y la suma acumulada de mortalidad
Paciente Paciente Acumulativo Paciente Paciente Acumulativo

Número peso ( W norte) suma ( do n) Número peso ( W norte) suma ( do n)
1 0,0726 0,0726 11 0.1143 0.9072

2 0,0513 0.1239 12 0.1462 1.0534
3 0,0834 0.2123 13 0.1098 1.1632
4 0.1222 0,0901 14 0.1508 1.3140
5 0,1278 0.2179 15 0.1863 1.5003
6 0.1098 0.3277 dieciséis 0.1791 1.6794
7 0.1462 0.4739 17 0.1649 1.8443
8 0.1887 0.6626 18 0.1744 2.0187
9 0,0488 0.6138 19 0.1602 2.1789
10 0.1791 0.7929 20 0.1555 2.3344
FIGURA 7-30 suma acumulada ajustada al riesgo de mortalidad de los pacientes de la UCI.
Ejemplo 7-15 Para los datos de los pacientes sometidos a cirugía cardíaca en una UCI como se muestra en la Tabla 7-14, demostrar una prueba de
razón de probabilidad secuencial riesgo ajustado utilizando una tasa de falsas alarmas ( α) de
0.01.Assume que el chanceof un error tipo II ( β) de no todetect adecrease en theodds proporción de mortalidad
1-0,8 es 0,05.
Solución La estadística RASPRT se obtiene a partir eq. (7-80). Dado que los pesos de los pacientes ajustados al riesgo ( W norte) son
los mismos que en el Ejemplo 7-14, theRASPRT estadística ( R norte) es esencialmente equivalente a la suma acumulada ajustada al riesgo
de mortalidad ( do ) se muestra en la Tabla 7-15. norte
Calculamos el límite inferior, F, basado en niveles elegidos de α y β, dada por la ecuación. (7-81), para detectar una mejora en la
razón de posibilidades. Tenemos
F ?? Iniciar sesión ?? 0: 05 = ?? 1 0:01 ???? ?? 2: 986
En la Tabla 7-15, se observa la tendencia a la disminución en los valores de do , es decir, R norte en esto norte
situación. Sin embargo, para los niveles seleccionados de α y β, el valor de umbral de 2.986 aún no se supera. El valor más pequeño
de R norte es 2.334 como registrado para el paciente 20. Por lo tanto, la vigilancia tendrá que ser continuado para determinar si el
gráfico ajustada al riesgo será la señal en el futuro.
Ejemplo 7-16 Para los datos de los pacientes sometidos a cirugía cardíaca en una UCI como se muestra en la Tabla 7-14, construir un gráfico
RAEWMA utilizando una constante de alisamiento de 0,2 y una tasa de falsas alarmas de 0,05.
Solución Demostramos el cálculo de la fi paciente primero. El riesgo ajustado línea central usando eq. (7-82)
es
EWMA 1 ?? ?? 0: 2 ???? doce y treinta y cinco ?? ?? ?? 0: 8 ???? doce y treinta y cinco ?? ?? doce y treinta y cinco
La varianza de EWMA 1, usando eq. (7-84), es
2 2
var ?? EWMA 1 ?? ?? ?? 0: 2 ?? ?? doce y treinta y cinco ???? 0:65 ?? ?? ?? 0: 8 ?? ?? doce y treinta y cinco ???? 0:65 ?? ?? 0: 1547
CARTAS DE CONTROL MULTIVARIADO 359
Los límites de control ajustados al riesgo, utilizando eq. (7-85), son

pag
?? UCL 1; LCL 1 ?? ?? doce y treinta y cinco ?? 1:96 ?? 0: 1547 ?? ?? 1: 121; 0: 421 ??
Con base en los datos de resultados de pacientes ( Y i = 0, 1) EWMA suponiendo 0 ?? Y 1, obtenemos
EWMA 1 ?? ?? 0: 2 ?? 0 ?? 0: 8 ?? 0 ?? ?? 0 ya que Y 1 ?? 0 ?? paciente sobrevivió ??
Los valores calculados EWMA se comparan con los límites de control RAEWMA ajustados por el riesgo de tomar una
decisión sobre el proceso. Tabla 7-16 muestra valores de EWMA norte, la EWMA línea central ajustada al riesgo n, y los límites de
control ajustados al riesgo para cada paciente.
Un gráfico de los gráficos de control RAEWMA se muestra en la figura 7-31. Si se calcula el límite de control
inferior para ser negativo, se convierte a 0, mientras que si el límite de control superior está por encima de la
unidad, se convierte a 1. El gráfico muestra que, comenzando con el número de paciente 7, los valores EWMA
ajustados al riesgo trazar por debajo del límite de control inferior ajustada al riesgo. Además aliado, mientras que
las central y los límites de control ajustados al riesgo muestran una tendencia generalmente creciente, la EWMA
ajustada al riesgo observada muestra una tendencia descendente empezando por el número de paciente 10. Esto
demuestra una mejora en el rendimiento quirúrgico del equipo, mientras que representan el riesgo del paciente .
Se encontró que a pesar de los riesgos previstos para los pacientes individuales son bastante altos, el
rendimiento resultado quirúrgico ha superado ciones Predic.
7-10 listas MULTIVARIADO DE CONTROL
El control chartsmentioned hasta ahora havedealtwithcontrollingone characteristic.However, en situaciones de la vida real, a

menudo tratan de dos o más variables simultáneamente. Por ejemplo, podemos querer controlar simultáneamente tanto la
longitud y el diámetro interior de un tubo. En otras palabras, tanto la longitud como la diametermust dentro de ser aceptables
para el tubo sea utilizable. El control de ambas características por separado puede no producir un producto en el que ambas
variables son aceptables.
El control de varias características de calidad relacionados
Supongamos que tenemos dos características de calidad que deben estar tanto en el control para el proceso de estar en control. Si los gráficos
de control para las medias de estas dos características se mantienen indepen dientemente, el resultado es una forma rectangular región de
control ona trama bidimensional. Theboundariesof esta región son, básicamente, los límites superior e inferior de control de la calidad de dos ch una
real academia de bellas artes Connecticut erística y se calculan utilizando eq. (7-5). Si la observación de dos variables de los medios de muestra ( X
1; X 2) parcelas dentro de los límites de control, el proceso parecerían estar en control.
Tales límites rectangulares, sin embargo, a menudo puede ser incorrecta. Una región de control real para dos
características es elíptica en la naturaleza (véase la figura 7-32). La ecuación de una estadística que incorpora dos
características es una elipse, como veremos en eq. (7-89). Si las dos características son independientes entre sí, los ejes
mayor y menor de la elipse son p una ral l EL a los respectivos ejes de la trama (véase la elipse A en la figura 7-32). Si el par
de medios de ejemplo ( X 1; X 2) cae dentro de los límites de la elipse, se dice que el proceso sea el control. Si dos
características están correlacionados negativamente, la forma de la elipse de control será similar a la de elipse B. Si las dos
variables están correlacionadas positivamente, la elipse de control será similar a la de elipse C.
FIGURA 7-31 gráfico de control EWMA ajustada al riesgo para los datos del paciente en la UCI.
Figura 7-32 muestra que si las variables se correlacionan positivamente andwe utilizar el reg rectangular yo en mi rroneously
como la región de control, que drawvarious conclusiones incorrectas. Por ejemplo, si ( X 1; X 2) cae en la región E o región F, el
proceso está bajo control a pesar de que el punto se encuentra fuera del region.Apoint rectangular regionG, por el contrario,
iswithin la región rectangular, pero el proceso es, sin embargo, fuera de control.
FIGURA 7-32 región de control elíptica.

El grado de correlación entre la varia segundo les en Florida uye en la magnitud de los errores encontrados en hacer inferencias. Si
una por separado X- gráfico se construye para cada característica en base a una probabilidad de error de tipo I de α y se utiliza una
región de control rectangular, a continuación, para las variables independientes la probabilidad de un error de tipo I para el
procedimiento de control conjunto es
pag
α ' ?? 1 ?? 1 α ?? ?? 7-88 ??
dónde pag representa el número de variables controladas conjuntamente. La probabilidad de todos pag medias de la muestra de trazado
dentro de la región rectangular es (1 α) pag.
valores moderados o grandes de pag tener un impacto importante en los errores asociados con la toma de inferencia. Supongamos
que los límites del gráfico de control individuales se construyen utilizando una probabilidad de error de tipo I de 0,0026. Si tenemos cuatro
características independientes (es decir, p = 4), el error de tipo I global probabilidad ( α ') para el control conjunto procedimiento es
α ' ?? 1 ?? 0: 9974 ?? 4 ?? 0: 0104
Si las variables no son independientes, la magnitud del error tipo I será dif fi culto de obtener. En la práctica, una
elipse de control debe ser elegido de modo que la probabilidad de la muestra significa beingplottedwithin la
regionwhen elíptica el proceso es incontrol es 1 α, dónde α
es la probabilidad global deseada de un error de tipo I.
Hotelling ' s T 2 Gráfico de control y sus variaciones
Supongamos que tenemos dos características de calidad, X 1 y X 2, distribuidas conjuntamente de acuerdo a una norma bivariante l distrib Utah ion.
Supongamos que el objetivo de los valores medios o F la CH una rísticas están representados por X 01 y X 02, respectivamente. Deje que las
medias de las muestras sean X 1 y X 2, con la muestra

2 2
varianzas s 1 y s 2, y la covarianza entre las dos variables puede representar por s 12 para una muestra de tamaño norte. En
estas condiciones, la estadística
norte 2 2 2
s 2X 1 X 02
2
T 2 ??
22 2
X 01 ?? s X 2 1
s1 s2 s 12
2 s 12 X 1 X 01 X 2 X 02 ?? 7-89 ??
se distribuye de acuerdo con Hotelling ' s T 2- de distribución con 2 y ( norte 1) grados de libertad (Hotelling 1947). El
2 en este caso proviene de las dos características de ser considerado, y la ( norte 1) es los grados de libertad
asociados con la varianza de la muestra. Si el valor calculado de T 2 dada por la ecuación. (7-89) excede T 2
α; 2; norte 1
, El punto de la T 2
distribución tal que la proporción a la derecha es α, entonces al menos una de las características está fuera de control.
Este procedimiento se puede mostrar gráficamente. La ecuación (7-89) representa las elipses de control mostrados en
la figura 7-32. Si las variables son independientes, la covarianza entre ellos es cero (es decir, s 12 = 0), la elipse de control es
A, y la región de control conjunto es r mi pre s enteder por el área dentro del control elipse A. Si una parcela de los medios de
dos variables ( X 1; X 2) cae dentro de esta región de control, podemos asumir un estado de control estadístico. Si las dos
variables están correlacionadas positivamente, a continuación, s 12> 0, y la elipse de control es similar a la elipse C. Si las
variables están correlacionados negativamente, entonces s 12 < 0, y la elipse de control será similar a la elipse B.
Hotelling ' s cont r ol correo ll ipse procedimiento tiene varias desventajas. En primer lugar, la secuencia de tiempo de los puntos trazados ( X 1; X 2)
está perdido. Esto implica que no podemos comprobar si hay carreras en el patrón trazada al igual que con los gráficos de control. En segundo
lugar, la construcción de la elipse de control se hace muy

DIF fi culto para más de dos características. Para superar estos inconvenientes, los valores de T 2
dada por la ecuación. (7-89) se trazan en un gráfico de control sobre una base de muestra por muestra para preservar el orden de tiempo
inwhich se obtienen los datavalues. Sucha gráfico de control tiene anupper límite de control de T 2
α; p; n 1
, dónde pag representa el número de características. Los patrones de carreras no aleatorias pueden
ser investigado en este tipo de terrenos.
Los valores de Hotelling ' s T 2 puntos porcentuales se pueden obtener a partir de los puntos de percentil de la
F- distribución dada en el apéndice A-6 mediante el uso de la relación
norte 1
T 2α; p; n 1 ?? pag F α; p; np ?? 7-90 ??
notario público
dónde F α; p; np representa el punto de la F- distribución tal que el área a la derecha es α,

con pag grados de libertad en el numerador y ( norte pag) grados de libertad en el denominador.
Ifmore que twocharacteristics se están considerando, el valor de T 2 givenbyeq. (7-89) para una muestra se puede
generalizar como
' 1
T 2 ?? norte X μ0 X μ0 ?? 7-91 ??
dónde X representa el vector de muestra de los medios de pag características para una muestra de tamaño norte, μ 0
representa el vector de valores objetivo para cada característica, y denota la varianza -

matriz de covarianza de la pag características de calidad.
Fase 1 y Fase 2 Gráficos
En los gráficos de control multivariantes, el proceso de determinar los límites de control de un proceso en el control y, de este
modo, el uso de esos límites de control todetect un cambio en el parámetro de proceso, por ejemplo, significa el proceso, por lo
general se lleva a cabo en dos fases. En la fase 1, en el supuesto de que las causas especiales no existen al tomar medidas
correctivas, si es necesario, en base a las observaciones del proceso de control, las estimaciones de la media del proceso μ 0 y la
varianza proceso - Matriz de covarianza Σ son obtenidas.
Supongamos que, por un proceso en el control, tenemos metro muestras, tamaño eachof norte, con el número de características siendo pag.
El vector de medias de la muestra está dada por
X1j
X2j
X j ?? . ; j ?? 1; 2; . . . ; metro
.
.
X pj
dónde X ij representa la samplemeanof la yo thcharacteristic para el j ésima muestra y se encuentra a partir de
norte
X ijk k ??
1
X ij ?? Ni ?? 1; 2; . . . pag; ?? 7-92 ??
j ?? 1; 2; . . . ; metro
dónde X ijk representa el valor de la k ésima observación de la yo º característico en el j ésima muestra. El varianzas de las
muestras para el yo º característico en el j ésima muestra están dadas por
norte
1
s 2ij ?? ?? X ijk X ij ?? 2
norte 1 ?? 7-93 ??
k ?? 1
yo ?? 1; 2; . . . ; pag; j ?? 1; 2; . . . ; metro
La covarianza entre las características yo y h en el j ésima muestra se calcula a partir

norte
1
s ihj ?? ?? X ijk X ij ???? X HJK X HJ ??
norte 1 ?? 7-94 ??
k ?? 1
j ?? 1; 2; . . . ; metro; yo ≠ h
el vector μ 0 del proceso de los medios de cada característica para metro Las muestras se calcula como
metro
X ij j ??
1
X yo ?? ; yo ?? 1; 2; . . . ; pag ?? 7-95 ??
metro
Los elementos de la varianza - Matriz de covarianza Σ en eq. (7-91) se estiman a partir de la media siguiente metro muestras:
metro 2
s ij j ??
12
s yo
?? ; yo ?? 1; 2; . . . ; pag ?? 7-96 ??
metro
y
metro
s ihj j ??
1
s ih ?? ; yo ≠ h ?? 7-97 ??
metro
Por último, thematrix Σ se estima utilizando S como sigue (sólo la parte diagonal superior se muestra debido a que la matriz
es simétrica):
s 12 s 12 s 13 ∙ ∙ ∙ s 1 pag
s 22 s 23 ∙ ∙ ∙ s 2 pag
S ?? . ?? 7-98 ??
.
.
2
s pag
Límites de la fase 1 de Control El límite de control superior de la T 2- tabla dada por la ecuación. (7-90) puede ser modi fi ed para tomar la
siguiente forma (Alt 1982):
mnp np mp ?? pag
UCL ?? F α; p; mn mp ?? 1 ?? 7-99 ??
mp mn ?? 1
dónde metro representa el número de muestras, cada una de tamaño norte, utilizados para estimar X y S. El valor de T 2 para cada uno de la metro
muestras se calcula mediante la estadística estimado
T 2 ?? norte ?? XX ?? ' S1 ?? XX ?? ?? 7-100 ??
y se compara entonces con la UCL dada por la ecuación. (7-99). Si el valor de T 2 Para el j ésima muestra (es decir, T j
2) está por encima de la UCL, se trata como un punto fuera de control, y se inicia la acción de investigación.
Límites de la fase 2 de control Después de puntos fuera de control, si los hay, se eliminan suponiendo que se tomen acciones correctivas
adecuadas, el procedimiento se repite hasta que todos retenido observaciones están en control.
Ahora, la fase 2of el procedimiento se utiliza formonitoring futuras observaciones fromthe proceso. Denotemos el número de
muestras acumuladas al final de la fase 1 por metro, conteniendo cada uno norte
2
observaciones. El límite de control superior para el T gráfico de control en la fase 2 está dada por
UCL ?? pag ?? metro ?? 1 ???? norte 1 ?? ?? 7-101 ??

mp mn ?? 1 F α; p; mn mp ?? 1
Uso e Interpretaciones
AHotelling ' gráfico de control s se construye utilizando el superior c o límite ntrol y los valores trazados de T 2 para cada
givenbyeq muestra. (7-100), donde el vector X y thematrix S se foundusing el procedimiento anterior. Un valor de la muestra de T 2
por encima del límite de control superior indica un cabo situación de control. ¿Cómo podemos determinar qué característica de
calidad hizo que el estado fuera de control?
Incluso con solamente dos características ( p = 2), la situación puede ser complejo. Si los dos
características de calidad están altamente correlacionados positivamente, esperamos que los promedios para cada personaje es
tic en la muestra para mantener la misma rela TI onship relativa a th mi proc mi promedio ss X. para ex una mple, en el j ésima
muestra, Si X 1 j> X 1, podríamos esperar X 2 j> X 2.
Del mismo modo, si X 1 j < X 1, esperaríamos X 2 j < X 2, que estafar fi rm que los promedios de las muestras para cada
movimiento característico en la misma dirección re la TIVE a sus medios.
Si la TW o carbonizarse una cteristics están altamente correlacionados positivamente y X 1 j> X 1, no esperaríamos que X 2 j < X 2. Sin
embargo, si esto ocurre, esta muestra puede aparecer como un fuera de control de inHotelling punto ' s T 2 procedimiento, lo que
indica que el proceso de dos variables está fuera de control. Este mismo inferenc mi bemade puede usar individu Alabama 3 σ control
de l yo gráficos mit construidos para cada característica si X 1 j excede X 1 ?? 3 σ o X 2 j excede X 2 ?? 3 σ. Sin embargo,
X1 X2
medios característicos de calidad individual puede representar dentro de los límites de control sobre los gráficos de control separados a pesar
de que la T 2 parcelas por encima de la UCL en el gráfico de control conjunto. El uso de gráficos de control de conjuntos de características que
deben tenerse en cuenta al mismo tiempo es por lo tanto ventajosa. Sin embargo, en cuenta que una carta individual para una característica de
calidad a veces puede indicar una condición de fuera de control cuando la tabla de control conjunto no lo hace.
En general, se necesitan muestras de mayor tamaño para detectar cambios en el proceso con características correlacionadas
positivamente que con características correlacionados negativamente. Además, para características altamente correlacionados
positivamente, se necesitan muestras de mayor tamaño para detectar grandes cambios positivos en el proceso significa que para detectar
pequeños cambios positivos.
En general, si una condición de fuera-de-control es detectada por un Hotelling ' gráfico de control s, los intervalos de control
individuales se calculan para cada característica para esa muestra. Si la probabilidad de un error de tipo I para un procedimiento de
control conjunto es α, a continuación, para la muestra j, el intervalo de control individual para la yo º característica de calidad es
metro 1;
X yo t α = 2 pm ?? norte 1 ?? s yo yo ?? 1; 2; . . . ; pag ?? 7-102 ??
Minnesota
2
dónde X yo y s se dan por
yo
las ecuaciones. (7-95) y (7-96), respectivamente. Si X ij cae fuera de esta
intervalo, la característica correspondiente debe ser investigada por la falta de control. Si especial
causas se detectan, la muestra que contiene información relativa a todas las características deben suprimirse cuando se
vuelve a calcular el límite de control superior.
Como se describió anteriormente, aunque la T 2 gráfico de control es útil en la detección de cambios en el proceso significar
vector, que no identifica que especi fi variables (s) c son responsables. Un enfoque, en este contexto, es el T 2 método de
descomposición. El concepto es determinar las contribuciones individuales de cada una de las pag variables, o combinaciones de
los mismos, a la general T 2 estadística. Estas contribuciones individuales o parcial T 2- estadísticas se encuentran los siguientes:
re yo ?? T 2 T 21; 2; ...; yo 1; yo ?? 1; ... pag ; yo ?? 1; 2; . . . pag ?? 7-103 ??
dónde T 2 1; 2; ...; yo 1; yo ?? 1; ... pag

denota la T 2- statisticwhen la yo º variable se quede fuera. Los grandes valores de
re yo indicará un signi fi impacto de la variable no puede yo para la observación particular bajo investigación.
Observaciones individuales con los parámetros de proceso desconocido
La situación considerada previamente tratado con subgrupos de datos, donde el tamaño de la muestra ( norte)
para cada subgrupo excede 1. En esta sección consideramos observaciones individuales y suponemos que los parámetros de
proceso, significan vector o los elementos de la varianza - matriz de covarianza, son desconocidos. Al igual que antes, se utiliza el
método de dos fases, en donde en la fase 1 se utilizan los datos preliminares para retener las observaciones en el control.
El valor de T 2, cuando se obtienen las observaciones individuales, está dada por
T 2 ?? ?? XX ?? ' S1 ?? XX ?? ?? 7-104 ??
En eq. (7-104), el proceso vector medio se estima a partir de las observaciones de X, mientras que la varianza proceso - covariancematrix
se estima, usando los datos, por S. El límite de control superior en esta situación, en la fase 1, se da por
?? metro 1 ?? 2 pag mp 1
UCL ?? segundo α; ; ?? 7-105 ??
metro 2 2
dónde segundo ?? α; p = 2; ?? mp 1 ?? = 2 ?? denota la parte superior α ésimo cuantil de la distribución beta con parámetros pag/ 2 y ( mp
1) / 2. Si un vector de observación tiene un valor de T 2, dada por la ecuación. (7-104), que supera el valor de UCL, dado por eq.
(7-105), se elimina del conjunto de datos preliminar. estimaciones revisadas del vector processmean y la varianza - elementos
covariancematrix se encuentran utilizando las observaciones restantes y el proceso se repite hasta que se eliminan No hay más
observaciones. Ahora procedemos tophase 2 tomonitor observaciones futuras. las estimaciones X y S obtainedat la fase endof 1 se
utilizan para calcular T 2, usando eq. (7-104), para las nuevas observaciones. Suponiendo que el número de observaciones
acumuladas al final de la fase 1 se da por metro, se obtiene el límite de control superior para la fase 2 como
pag ?? metro ?? 1 ???? metro 1 ??

UCL ?? F α; p; mp ?? 7-106 ??
metro ?? mp ??
Por lo tanto, los valores de T 2 para nuevas observaciones serán comparados con la UCL dada por la ecuación. (7-106) para determinar
las condiciones fuera de control.

Gráfico Generalizado Varianza
Los gráficos de control multivariable se discutió previamente tratados con el seguimiento del proceso significa vector. A continuación, se
introduce un procedimiento para elaborar un diagrama de dispersión multivariante para controlar la variabilidad del proceso basado en la
varianza de la muestra - Matriz de covarianza S. Una medida de la varianza generalizada de la muestra viene dado por j S j, el determinante
de la varianza de la muestra -
Matriz de covarianza.
Que denota la media y la varianza de j S j por mi ?? j S j ?? y V ( j S j), respectivamente, y el uso de la propiedad pag que la
mayoría de la distribución de probabilidad de j S j está contenido en el intervalo
mi j S j? 3 V ?? j S j ??, expresiones para los parámetros de la gráfica de control para j S j pueden ser obtenidos. Se sabe que
mi ?? j S j ?? ?? segundo 1 j Σ j ?? 7-107 ??
V ?? j S j ?? ?? segundo 2 j Σ j 2 ?? 7-108 ??
dónde Σ representa la varianza proceso - matriz de covarianza, y
pag
Π ?? norte yo ??
segundo 1 ?? yo ?? 1 ?? 7-109 ??
?? norte 1 ?? pag
pag pag pag
Π ?? norte yo ?? Π ?? norte j ?? 2 ?? Π ?? norte j ??

yo ?? 1 j ?? 1 j ?? 1
segundo 2 ?? ?? 7-110 ??
?? norte 1 ?? 2 pag
Ya que Σ se usuallyunknown, se estima información de la muestra BasedOn. Fromeq. (7-107), un estimador insesgado de j Σ j es j S j / segundo
1. Usando las ecuaciones. (7-107) y (7-108), los límites de la línea central y de control para el j S j tabla están dadas por
CL ?? segundo 1 j Σ j
1=2
UCL ?? j Σ j segundo 1 ?? 3 segundo 2
?? 7-111 ??
1=2
LCL ?? j Σ j segundo 1 3 segundo 2
Cuando un valor objetivo para Σ, decir Σ 0, es específica fi ed, j Σ j se sustituye por j Σ 0 j en eq. (7-111). Alternativamente, la estimación de la
muestra de j Σ j dada por j S j / segundo 1 serán utilizados para calcular los límites de la línea central y de control en eq. (7-111). En el caso
de que el LCL desde eq. (7-111) se calcula a ser menor que cero, se convierte en cero.
Para una muestra dada j, j S j j, el determinante de la varianza - covariancematrix para la muestra j, se calcula andplottedon el
gráfico generalizedvariance. Si el plottedvalue de j S j j está fuera de los límites de control, nos Florida ag el proceso y buscar las
causas especiales.
A pesar de que el gráfico muestra la varianza generalizada es útil, puesto que agrega a la variabilidad de varias variables en
un índice, que tiene que ser utilizado con precaución. Esto se debe a muchos diferentes S j matricesmaygive el mismo valor de j S j j, mientras
que la estructura de varianza couldbe bastante diferente. Por lo tanto, una gama univariado ( R) gráfico o desviación estándar ( s) tabla
puede ayudarnos a entender las variables que contribuyen a hacer que el impacto combinado de la varianza generalizada sea
signi fi hipocresía.
TABLA 7-17 datos de dos variables para la Tela Ejemplo de Producción
Muestra Solo filamento romper Factor, i = 1 Peso de fibras textiles, i = 2
1 80 82 78 85 19 22 20 20
2 75 78 84 81 24 21 18 21
3 83 86 84 87 19 24 21 22
4 79 84 80 83 18 20 17 dieciséis
5 82 81 78 86 23 21 18 22
6 86 84 85 87 21 20 23 21
7 84 88 82 85 19 23 19 22
8 76 84 78 82 22 17 19 18
9 85 88 85 87 18 dieciséis 20 dieciséis
10 80 78 81 83 18 19 20 18
11 86 84 85 86 23 20 24 22
12 81 81 83 82 22 21 23 21
13 81 86 82 79 dieciséis 18 20 19
14 75 78 82 80 22 21 23 22
15 77 84 78 85 22 19 21 18
dieciséis 86 82 84 84 19 23 18 22
17 84 85 78 79 17 22 18 19
18 82 86 79 83 20 19 23 21
19 79 88 85 83 21 23 20 18
20 80 84 82 85 18 22 19 20
Ejemplo 7-17 El factor de una sola hebra de rotura (una medida de la resistencia a la rotura) y el peso del textil fi fibras
(madejas por libra) son ambas de interés en mantener un proceso de producción de la tela en control. Tabla 7-17
muestra los datos de las dos características para 20 muestras de tamaño 4. Por ejemplo, las observaciones de dos
variables para la muestra 1 son (80, 19), (82, 22), (78, 20), y (85, 20 ).
Para construir el Hotelling ' s T 2- carta, tenemos que calcular las medias de la muestra, muestra las diferencias y
covarianzas, y T 2- valores; estos se muestran uso la Tabla 7-18.We p = 2 para el número de características, n = 4 para el
tamaño de la muestra, y m = 20 para el número de muestras. Los cálculos se realizan como sigue.
Los samplemeans de cada característica se encuentran para cada eq muestra byusing. (7-92). Para la muestra 1, la media de
las lecturas de ruptura del factor es
80 ?? 82 ?? 78 ?? 85
X 11 ?? ?? 81:25 4
Del mismo modo, la media fi ber peso para la muestra 1 es 20.25 madejas por libra. Este procedimiento se repite para cada
muestra, dando los resultados mostrados en la Tabla 7-18.
A continuación, la varianza de la muestra de cada característica se encuentra para cada muestra [eq. (7-93)]. Para el factor de rotura de
cadena simple ( i = 1), la varianza de la muestra de la muestra 1 es
2 2 2 2
s 11
?? 1 ???? 80 81:25 ?? ?? ?? 82 81:25 ?? ?? ?? 78 81:25 ?? ?? ?? 85 81:25 ?? 2 ?? ?? 8:92
3
TABLA 7-18 tela Estadísticas de productos para la construcción de Hotelling ' s T 2- Gráfico
Muestra Muestra
Medio Las variaciones
Muestra generalizada
Muestra, Descanso W ei lucha, covarianza de Hotelling ' s Varianza,
2 2
j Factor, X 1 j X2j s1j s2j s 12 j T j2 j Sjj
1 81.25 20.25 8.92 1.58 0.92 0,78 13.28

2 79.50 21.00 15.00 6.00 9.00 5.25 9.00
3 85.00 21.50 3.33 4.33 3.00 5.98 5.44
4 81.50 17.75 5.67 2.92 1.17 7.95 15.17
5 81.75 21.00 10,92 4.67 5.33 1.03 22.50
6 85.50 21.25 1.67 1.58 0.17 6.72 2.61
7 84.75 20.75 6.25 4.25 4.58 3.36 5.55
8 80.00 19.00 13.33 4.67 7,33 5.27 8.44
9 86.25 17.50 2.25 3.67 2.50 15.25 2.00
10 80.50 18.75 4.33 0.92 0.50 4.86 3.72
11 85,25 22.25 0.92 2.92 0.92 10,08 1.83
12 81.75 21.75 0.92 0.92 0.58 3.17 0.50
13 82.00 18.25 8.67 2.92 0.33 4.74 25.17
14 78.75 22.00 8.92 0.67 1.33 10,66 4.17
15 81.00 20.00 16,67 3.33 7,33 1.21 1.78
dieciséis 84.00 20.50 2.67 5.67 2.67 1.45 8.00
17 81.50 19.00 12.33 4.67 3.00 2.31 48.55
18 82.50 20.75 8.33 2.92 4.50 0.41 4.05
19 83.75 20.50 14.25 4.33 3.17 1.06 51.72
20 82.75 19.75 4.92 2.92 2.92 0.25 5.83
Medio X 1 ?? 82:46 X 2 ?? 20:17 s 21 ?? 07:51 s 22 ?? 03:29 s 12 ?? doce y treinta y cinco
Las covarianzas entre las dos características se calculan entonces para cada muestra usando eq. (7-94). Para la
muestra 1, usamos
1
s 121 ?? ???? 80 81:25 ???? 19 20:25 ?? ?? ?? 82 81:25 ???? 22 20:25 ??
3 ?? ?? 78 81:25 ???? 20 20:25 ?? ?? ?? 85 81:25 ???? 20 20:25 ???? ?? 0: 917
A continuación, las estimaciones de la processmean de cada característica se encuentran [eq. (7-95)]. Las estimaciones de los elementos de
la varianza - Matriz de covarianza S se encuentran en las ecuaciones Accordancewith. (7-96) y (7-97). Los valores de T 2 están dadas por eq.
(7-89).
El límite de control superior para el T 2- tabla para una probabilidad de error de tipo I global de 0,0054 se encuentra usando eq.
(7-99):
?? 20 ???? 2 ?? ?? 4 ???? 2 ?? ?? 2 F 0: 0054; 2; ?? 20 ???? 4 ?? 20 2 ?? 1

?? 20 ???? 4 ???? 2 ??
UCL ??
?? 20 ???? 4 ?? 20 2 ?? 1
?? 1: 932 F 0: 0054; 2; 59 ?? ?? 1: 932 ???? 6: 406 ?? ?? 12: 376
El valor de F 0.0054,2,59 puede aproximarse del Apéndice A-6 usando interpolación lineal.
2
FIGURA 7-33 T gráfico de control para los datos de producción de tela de dos variables.
el multivariante T 2- tabla para estas dos características en la figura 7-33 muestra la muestra 9 a estar fuera de control.
En la Tabla 7-18, T 2 = 15,25 para esta muestra, que supera el límite de control superior de 12.376. El siguiente paso es
investigar cual característica está causando esta condición.
Themeanof los rangos ( R) de thesingle-strandbreakfactors para the20samples is5.75, mientras que por el peso de
la fi bras es 3,95. Cuando individuo 3 σ límites se construyen ( α / 2 p = 0.0054 / 4 = 0,0013, que produce una Z- valor de
3,00), los límites de control se encuentran como sigue.
Para el factor de rotura de cadena simple, el límite de control superior es
UCL ?? X 1 ?? UNA 2 R
?? 82:46 ?? ?? 0: 729 ???? 5:75 ?? ?? 86:
652
Para el fi ber peso, el límite de control superior es
UCL ?? X 2 ?? UNA 2 R
?? 20:17 ?? ?? 0: 729 ???? 3:95 ?? ?? 23:
050
Tenga en cuenta que para la muestra 9 el factor de rotura de cadena simple media no supera el UCL de su gráfico de control
separada. los fi ber samplemean peso para la muestra 9 es también menos de theUCL de su propio gráfico de control. Por lo tanto, en este
caso, el gráfico de control conjunta indica una condición de fuera de control que los gráficos de control individuales no detectan.
Nuestro siguiente paso debe ser determinar qué causado el factor de rotura de cadena simple o fi ber peso a goout de control.
Una vez que se ha tomado las medidas correctivas necesarias, theHotelling
T 2 límites de control deben ser revisados mediante la supresión de la muestra 9 para ambas características.
Si hubiéramos decidido utilizar los límites de control individuales para un procedimiento de control conjunto como se da por la ecuación.
(7-102), los límites serían los siguientes. Para el factor de rotura de cadena simple,
19 pag ?? 0: pag
2375
X1 t 0: 0054 = ?? 2 ???? 2 ??; 20 ?? 3 ?? s 1
?? 20 ???? 4 ?? ?? 82:46 t 0: 0013; 60 ?? 07:51
?? 82:46 ?? 3: 189 ???? 1: 3353 ?? ?? ?? 78:
202; 86: 718 ??
El samplemean de la muestra 9 para esta característica no supera el límite de control superior de

86.718 y por lo tanto no se considera fuera de control. Los límites de control para la fi peso ber se encuentran de una manera
similar:
pag
19 ?? 20:17 ?? 3: 189 ???? 03:29 ???? 0: 4873 ??
X2 t 0: 0013; 60 s 2
?? 20 ???? 4 ?? ?? ?? 17: 351; 22: 989 ??
Por ejemplo 9, la media fi ber peso está dentro de estos límites calculados y así también sería considerado en control.
Por lo tanto, basado en el procedimiento de control conjunto, este proceso ha sido identi fi ed como estar fuera de control. las medidas
correctivas basadas en las causas especiales para la muestra 9 deben ser identificados fi ed e implementado. Los límites de control para
Hotelling ' s T 2- tabla, debe ser revisada por la eliminación de las observaciones para esta muestra.
Thisexample ilustra que un gráfico de control articulación puede indicateanout de control processeven aunque las listas individuales
no lo hacen. Por tanto, es imprescindible para controlar las características de calidad de manera conjunta. Sin embargo, cuando el T 2- gráfico
muestra un proceso fuera de control de y un individuo de puntos parcelas tabla fuera de sus límites de control, que pueden tener una
causa posible, que podemos seguir más de cerca y tomar medidas correctivas en.
Ejemplo 7-18 Considere el ejemplo 7-17 y los datos sobre el factor de rotura de cadena simple y el peso del textil fi fibras como
dan en la Tabla 7-17. Construir un diagrama de varianza generalizada y comentarios sobre el proceso.
Solución Los cálculos de la tabla 7-18 producen nuestra estimación de la muestra para la varianza -
matriz de covarianza como
07:51 doce y treinta y cinco

S ??
doce y treinta y 03:29
cinco
El determinante de S se obtiene como j S j = 24.585. Los cálculos para las constantes producen
?? 3 ???? 2 ??
segundo 1 ?? ?? 0: 667 3 2
?? 3 ???? 2 ???? 5 ?? 43??

?? 2 ????
segundo 2 ?? ?? 1: 037
3 2 ?? 2 ??
FIGURA 7-34 gráfico de la varianza generalizada.
Por lo tanto, los límites de la línea central y de control están
CL ?? 24: 585
24: 585
UCL ?? 0: 667 ?? ?? 3 ???? 1: 037 ?? 1 = 2 ?? 137: 189 0: 667
24: 585
LCL ?? 0: 667 ?? 3 ???? 1: 037 ?? 1 = 2 ?? 88: 019 → 0
0: 667
Los valores de | S j | para cada muestra se muestran en la Tabla 7-18. Nota que ninguna de las varianzas de las muestras
generalizadas quedan fuera de los límites de control.
Minitabmay ser utilizado para construir el diagrama muestra la varianza generalizada. Aworksheet es fi primero creado usando los
datos de la Tabla 7-17 y ponerlo en un formato compatible con Minitab. Seleccionar
Stat> Gráficos de Control> Gráficos multivariante. Escoger Varianza generalizada. Debajo

variables, de entrada el número de columna o los nombres de las dos variables Factor de ruptura y
Peso. Debajo tamaños de subgrupo, de entrada el número de columna o el nombre de la variable que indica el número de subgrupos que
cada observación pertenece. Si se desea, en virtud Opciones GenVar, usted puede seleccionar Estafa fi Límites dencia e identificar el aire
deseado fi nivel de confianza (por ejemplo, 95%). Hacer clic DE ACUERDO.
Figure7-34 muestra thegeneralizedvariance chart.Note que todos theplottedvaluesof j S j j son muy por debajo del 95% con fi límite
de confianza. En cuanto al impacto de la variabilidad del efecto combinado de factor de ruptura y el peso de fi bras, que no
disciernen las condiciones fuera de control.
RESUMEN
En este capítulo se ha introducido diferentes tipos de gráficos de control que se pueden utilizar con las características de calidad que son
variables (es decir, que se pueden medir en una escala numérica). Detalles en cuanto a
TÉRMINOS CLAVE 373
Se han presentado la construcción, el análisis y la interpretación de cada gráfico. Se proporcionaron Directrices para los
ajustes adecuados en los que puede utilizarse cada gráfico de control. La razón de ser de cada tipo de gráfico de control se ha
discutido. se le dio Aset de consideraciones generales que merecen atención antes de la construcción de un gráfico de control.
control estadístico de procesos por medio de los gráficos de control para las variables es la columna vertebral de muchos
procesos. Procedimientos para construir y mantener estos gráficos de control se discutieron en longitud.
Las pautas generales se presentan para la selección del tipo de gráfica de control basado en la naturaleza de los datos
recogidos. Cuando el tamaño de subgrupo es 1, un gráfico de control para los individuos y rango de movimiento (I - MR) se usa.
Para pequeños subgrupos ( n < 10), gráficos para la media y el rango ( X y R) son usados; para los subgrupos más grandes ( norte 10),
gráficos para la media y la desviación estándar ( X y s) son apropiados. Cuando es de interés para detectar pequeñas desviaciones
de un proceso desde un estado de control, la sumchart acumulada es una option.We también gráficos de control
discussedmultivariate donde más de un producto o proceso las variables de interés. UNA T 2- Se presentan tabla para controlar el
proceso de vector medio y un gráfico de varianza generalizada para el seguimiento de la variabilidad del proceso.
Un concepto importante InHealth aplicaciones de cuidado es el de tablas de riesgo-adjustedcontrol. Esto se hizo necesario debido
al diferente grado de gravedad de la enfermedad o el riesgo asociado con los pacientes. Por lo tanto, el cálculo de los resultados
predichos, como la mortalidad o la duración de la estancia en la instalación, y los límites de control asociados necesita ser ajustada en
función del riesgo de cada paciente individual.
TÉRMINOS CLAVE
atributo de media móvil geométrico gráfico

longitud promedio de carreras gráfico EWMA ajustada al riesgo
causas Hotelling ' s T 2 tabla de control

común modi fi gráfico de control ed
especial gráfico de media móvil
línea central R- gráfico
tabla de control de patrones ajustada al riesgo de probabilidad secuencial
manojos / grupos prueba de razón
cíclico ciclos de producción cortos
monstruos s- gráfico
cambio gradual en el nivel estandarizado

Interacción variable (VLAD) gráfico de vida ajustados
mezcla o el efecto de dos o más X -gráfico
poblaciones X- gráfico
natural Z- gráfico de MR
estratos fi catión límites de control
cambio repentino en el nivel inferior
tendencia límites revisados
salvaje límites de prueba
los gráficos de control para variables Superior
gráfico de control de aceptación F- distribución

gráfico de suma acumulativa (tabla cusum) media móvil geométrica
gráfico cusum ajustada al riesgo móvil ponderado exponencialmente
gráfico de la varianza generalizada promedio

Capitulo 7 PDF

Încărcat de

Informații document

Titlu original

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

Capitulo 7 PDF

Încărcat de

Drepturi de autor:

Formate disponibile

7

7-1 Introducción y Objetivos del capítulo 7-2 Selección de características para la

μ Proceso (o población) significa k yo valor normalizado para la gama de número de la muestra yo

σ Proceso (o población) estándar σ0 Target o valor estándar de proceso

R rango de la muestra S metro suma acumulada en el número de muestras metro

s desviación estándar de la muestra w Span, o anchura, en el cálculo de media móvil

norte Muestra o subgrupo tamaño

W rango relativo R Media de rangos de muestras

sol Número de muestras o subgrupos sol t media móvil geométrica en el momento t

fundamentos de Calidad Controlar y Mejora, Cuarta edición. Amitava Mitra

7-1 INTRODUCCIÓN Y OBJETIVOS DEL CAPÍTULO

detección de tales cambios en los parámetros del proceso.

FIGURA 7-1 Los cambios en la media y la dispersión de un proceso.

y el diagrama de la pantalla la vida ajustados en función de la variable.

7-2 SELECCIÓN DE LAS CARACTERÍSTICAS DE LA INVESTIGACIÓN

que tienen una relación causal con la calidad del producto

TABLA 7-1 Análisis de Pareto de los defectos de Datos Asamblea

Código defecto Defecto Frecuencia Porcentaje

1 Diámetro exterior del cubo 30 8.82

FIGURA 7-2 diagrama de Pareto para los datos de montaje.

de control controla implícitamente características del producto.

7-3 decisiones preliminares

Selección de muestras racionales

Elección de los instrumentos de medición

Diseño de formularios de registro de datos

7-4 cartas de control para la media y la GAMA

Desarrollo de las listas

Paso 1: El uso de un esquema de pre-seleccionado de muestreo y tamaño de la muestra, ficha en la apropiada

R ?? X máx X min ?? 7-2 ??

Conceptualmente, el 3 σ límites de control Para el X- tabla son

?? UCL;XLCL ?? ??X XA 2 R ?? 7-7 ??

del X- límites de control gráfico, dado R.

Los límites de control para la R- tabla son conceptualmente dada por

?? UCL R; LCL R ?? ?? R 3 σ R ?? 7-8 ??

Los límites de control para la R- gráfico se calcula como

fuera de control es la presencia de un punto fuera de los límites de control.

control, los límites de la X- tabla puede no bemeaningful.

FIGURA 7-3 Parcela de valores de muestra en X- y R- gráficos.

Paso 6: yo instrumentar los gráficos de control.

TABLA 7-2 Resistencia de la bobina de Datos

Muestra observación ( Ω) X R comentarios

1 20, 22, 21, 23, 22 21.60 3

4 20, 21, 22, 21, 21 21.00 2

24 20, 22, 21, 21, 20 20.80 2

Suma = 521.00 Suma = 87

UCL R ?? re 4 R ?? ?? 2: 114 ???? 03:48 ?? ?? 7: 357 LCL R ?? re 3 R ??

La línea central en el X- tabla se obtiene como sigue:

UCL ?? X ?? UNA 2 R ?? 20:84 ?? ?? 0: 577 ???? 03:48 ?? ?? 22: 848

LCL ??XXA 2 R ?? 20:84 ?? 0: 577 ???? 03:48 ?? ?? 18: 832

Con las muestras 3, 22 y 23 eliminados, la línea central revisado sobre la R- tabla es

Los límites de control revisadas sobre la R- tabla son

UCL R ?? re 4 R ?? ?? 2: 114 ???? 3: 273 ?? ?? 6: 919 LCL R ?? re 3 R ??

FIGURA 7-4 X- y R- Gráficos de datos sobre la resistencia de la bobina usando Minitab.

La línea central revisado sobre la X- tabla es

Los límites de control revisadas sobre la X- tabla son

UCL ?? X ?? UNA 2 R ?? 20: 864 ?? ?? 0: 577 ???? 3: 273 ?? ?? 22: 753

LCL ?? XA 2 R ?? 20: 864 ?? 0: 577 ???? 3: 273 ?? ?? 18: 975

futuras hasta que una revisión posterior se lleva a cabo.

Tamaño de la muestra Variable

UNA 2, re 4, y re 3 disminuir con un aumento de tamaño de la muestra.

Gráficas de control estandarizado

respectivamente. La media de los promedios de la muestra se encuentra como

Límites de control para un objetivo determinado o Standard